“MODELOS DE PREVISÃO DE INCUMPRIMENTO FISCAL ATRAVÉS DE
INFORMAÇÃO FINANCEIRA: ESTUDO DAS EMPRESAS DE MOBILIÁRIO
DE MADEIRA.”
por
Sónia Maria da Silva Ribeiro
DISSERTAÇÃO PARA OBTENÇÃO DO GRAU DE MESTRE EM FINANÇAS E
FISCALIDADE
Orientação: Prof. Doutor Francisco Vitorino Martins
Co-Orientação: Prof. Doutor Elísio Brandão
Setembro de 2011
Breve Nota Biográfica
Sónia Maria da Silva Ribeiro nasceu a 6 de Abril de 1976 no Porto.
É licenciada em Auditoria pelo Instituto Superior de Contabilidade e
Administração do Porto (ISCAP).
Depois de uma breve passagem pelo sector privado ingressou, em Fevereiro de
2000, na Direcção-Geral dos Impostos (D.G.C.I.) onde tem vindo a desempenhar
funções nas áreas da Justiça e da Inspecção Tributária. Em 2002-2003 esteve, em
situação de destacamento, a realizar o Curso de Estudos Avançados em Gestão Pública
no Instituto Nacional de Administração. Exerceu funções na Divisão de Gestão da
Dívida Executiva (2003-2004), na Divisão de Planeamento e Apoio à Inspecção
Tributária (2004-2006) e na Divisão de Inspecção Tributária III (2007-2009 - área da
construção civil) da Direcção de Finanças do Porto.
Actualmente, desde 2010, encontra-se afecta à área da inspecção tributária, a
exercer funções na Divisão dos Processos Criminais Fiscais da referida Direcção de
Finanças.
II
Agradecimentos
Antes de mais gostaria de expressar aqui a minha gratidão ao Director Geral dos
Impostos, Prof. Doutor José António Azevedo Pereira, Dr. José Maria Pires, Director de
Serviços de Gestão dos Créditos Tributários, e, especial, ao Dr. Vítor Negrais, exDirector de Finanças do Porto, pela disponibilidade em me cederem os dados sem os
quais não era possível a concretização deste projecto.
Um agradecimento muito especial ao meu orientador, Prof. Doutor Francisco
Vitorino Martins, e ao meu co-orientador, Prof. Doutor Elísio Brandão, pelos seus
relevantes contributos, incentivos, recomendações e comentários, bem como pela
disponibilidade, simpatia, compreensão e respeito demonstrados.
Uma palavra de apreço aos restantes docentes pelas críticas e sugestões valiosas
que fizeram durante as diversas apresentações que foram produzidas no âmbito desta
investigação.
Na impossibilidade de os citar a todos, aos colegas mestrandos, e em particular
aos colegas mestrandos da Direcção-Geral dos Impostos, um obrigada pelos debates de
ideias tão enriquecedores ao longo das aulas.
Por fim quero agradecer à minha família e aos meus amigos pelo incentivo, pela
compreensão e pelo apoio.
III
Lista de Abreviaturas
AEP – Associação Empresarial Portuguesa
AIMMP – Associação das Indústrias de Madeira e Mobiliário de Portugal
D.G.C.I. – Direcção-Geral dos Impostos
INE – Instituto Nacional de Estatística
IRC – Imposto sobre o Rendimento das Pessoas Colectivas
PIB – Produto Interno Bruto
RLE – Resultado Líquido do Exercício
VAB – Valor Acrescentado Bruto
iv
Resumo
O incumprimento fiscal, na vertente do pagamento, representa custos e perdas
importantes de receitas fiscais que os governos não podem ignorar sob pena de
colocarem em causa a justiça e a equidade dos sistemas fiscais. Antecipar o
incumprimento fiscal é pois importante já que permite aos governos a tomada de acções
preventivas (estratégicas) ou correctivas. O objectivo do presente trabalho é o de estudar
a importância da performance financeira, medida pelos rácios financeiros, como
determinante do incumprimento fiscal de curto prazo. Usaram-se os dados financeiros
das empresas da actividade da fabricação de mobiliário de madeira para outros fins
referentes aos anos de 2007 a 2009 que foram facultados pela Administração Fiscal.
Para modelizar a mencionada relação foram utilizadas duas técnicas estatísticas: a
análise discriminante multivariada e a regressão logística. Os dados respeitantes a 3
amostras em cross-section, obtidas em 3 anos consecutivos, com 1795 empresas em
2007, 1785 empresas em 2008 e 1685 empresas em 2009, permitiram estimar os
modelos de cada um dos três anos através do método da máxima verosimilhança. Os
pressupostos da análise discriminante foram testados através do teste M de Box e do
teste de Kolmogorov-Smirnov. Os resultados multivariados sugerem a existência de uma
relação entre performance financeira e incumprimento fiscal no curto prazo, no entanto,
nem todos os indicadores financeiros têm o mesmo poder de previsão. A robustez dos
modelos foi avaliada através de amostras de validação. Os modelos econométricos
alcançados com a aplicação de cada uma das técnicas não diferiram substancialmente
em termos de classificação e em termos de precisão preditiva tendo atingido taxas de
acerto na ordem dos 70%.
Palavras-Chave: Incumprimento Fiscal, Rácios Financeiros, Análise Discriminante
Multivariada, Regressão Logística, Fabricação de Mobiliário de Madeira para Outros
Fins.
v
Abstract
Fiscal payment default represents important losses on tax revenues that
governments cannot ignore without failing to put into question the fairness and equity of
tax systems. Thus, evaluate in advance a company risk of fiscal payment default is
important because allows governments to take preventive (strategic) or corrective
actions. The aim of this study is to assess the importance of the financial performance,
measured by financial ratios, as a determinant of fiscal payment default in the shortterm. Portuguese tax administration provided us the 2007, 2008 and 2009 financial
statements of a specific industry, that is, the wood furniture manufacturing. To modelize
the above mentioned relationship we perform two statistical techniques, dominants in
the literature related to business failure prediction, namely, the multivariate discriminant
analysis and the logistic regression. Data for cross-section samples, obtained in 3
consecutive years, with 1795 companies in 2007, 1785 companies in 2008 and 1685 in
2009, allowed us to estimate the models in each of the three years through the method
of maximum likelihood. The assumptions of discriminant analysis were tested using the
Box´s M test and the Kolmogorov-Smirnov test. The multivariate results suggest that
there is a relationship between financial performance and tax payment default in the
short-term however not all the ratios have the same predictive power. The robustness of
the models was evaluated using validation samples. The econometric models achieved
with these techniques do not differ substantially in terms of classification accuracy and
predictive power reaching precision rates of about 70%.
Key-Words: Fiscal Payment Default, Financial Ratios, Multivariate Discriminant
Analysis, Logistic Regression, Wood Furniture Manufacturing.
vi
Índice
Índice de Tabelas ........................................................................................................... viii
Índice de Quadros ............................................................................................................ ix
CAPÍTULO 1: Introdução .................................................................................................... 1
CAPÍTULO 2: Referencial Teórico – Revisão da Literatura ............................................... 6
2.1. Estudos sobre Previsão de Insucesso Empresarial (Insolvência) ........................... 7
2.1.1. Análise Univariada ......................................................................................... 8
2.1.2. Análise Multivariada..................................................................................... 11
2.2. Estudos sobre Previsão de Incumprimento Tributário ......................................... 17
CAPÍTULO 3: A indústria da fabricação de mobiliário de madeira em Portugal ............. 20
CAPÍTULO 4: Dados, Hipóteses e Metodologia ............................................................... 23
4.1. Dados ................................................................................................................... 23
4.2. Metodologia ......................................................................................................... 27
4.2.1. Selecção das Variáveis e Hipóteses de Investigação .................................... 27
4.2.2. Constituição da Amostra ............................................................................... 31
4.2.3. Técnicas de Estimação .................................................................................. 34
CAPÍTULO 5: Resultados.................................................................................................. 39
5.1. Resultados Univariados ....................................................................................... 39
5.2. Resultados Multivariados .................................................................................... 42
5.2.1. Análise Discriminante................................................................................... 42
5.2.2. Regressão Logística ...................................................................................... 53
5.2.3. Análise Discriminante versus Regressão Logística ...................................... 61
CAPÍTULO 6: Conclusão .................................................................................................. 63
Referências Bibliográficas .............................................................................................. 66
Quadros ........................................................................................................................... 73
vii
Índice de Tabelas
Tabela 1- Dados de Actividade ....................................................................................... 22
Tabela 2 - Valores Agregados do Balanço ..................................................................... 24
Tabela 3 – Valores Agregados da Demonstração de Resultados ................................... 24
Tabela 4 – Resultado Líquido do Exercício (RLE)....................................................... 25
Tabela 5 – Sinais Esperados ........................................................................................... 31
Tabela 6 – Dimensão das Empresas.............................................................................. 33
Tabela 7 – Repartição dos Incumpridores por Dimensão .............................................. 33
Tabela 8 – Amostra Final ............................................................................................... 34
Tabela 9 – Estatísticas Descritivas.................................................................................. 41
Tabela 10 - Sinais dos Coeficientes versus Hipóteses (2007) ........................................ 44
Tabela 11 – Estatísticas descritivas e teste de igualdade das médias de grupos (2007) 45
Tabela 12 – Correlações de estrutura (2007) ................................................................ 45
Tabela 13 – Correlação entre Variáveis Independentes (2007)..................................... 47
Tabela 14 - Teste M de Box (2007)................................................................................. 48
Tabela 15 – Ajustamento Geral do Modelo (2007) ........................................................ 48
Tabela 16 – Matriz de Classificação abc (2007) ............................................................. 49
Tabela 17 – Estatísticas descritivas e teste de igualdade das médias de grupos (2008) 50
Tabela 18 – Correlações entre Variáveis Independentes (2008) ................................... 51
Tabela 19 – Matriz de Classificaçãoabc (2008)............................................................... 52
Tabela 20 - Variáveis na equação (2007) ...................................................................... 55
Tabela 21 – Avaliação da qualidade do ajuste do modelo (2007) ................................. 56
Tabela 22 - Matriz de Classificação (2007) ................................................................... 57
Tabela 23 – Variáveis na Equação – 1ª Estimação (2008) ......................................... 57
Tabela 24 – Variáveis na Equação (2008) ..................................................................... 59
Tabela 25 – Avaliação da qualidade do ajuste do modelo (2008) ................................. 59
Tabela 26– Matriz de Classificação (2008) ................................................................... 60
Tabela 27 – Comparação de Resultados ........................................................................ 62
viii
Índice de Quadros
Quadro 1- Bateria de Indicadores Económico-Financeiros .......................................... 73
Quadro 2 – Definição de Variáveis ................................................................................ 74
Quadro 3 - Estatísticas Descritivas (2007) .................................................................... 75
Quadro 4– Estatísticas Descritivas (2008) ..................................................................... 75
Quadro 5 – Estatísticas Descritivas (2009) .................................................................... 76
Quadro 6– Estatísticas Descritivas (com outliers) - 2007 ............................................. 76
Quadro 7– Estatísticas Descritivas (com outliers) - 2008 ............................................. 77
Quadro 8– Estatísticas Descritivas (com outliers) - 2009 ............................................. 77
Quadro 9 – Testes de Normalidade (2007) .................................................................... 78
Quadro 10 – Testes de Normalidade (2008) .................................................................. 78
Quadro 11 – Testes de Normalidade (2009) .................................................................. 79
Quadro 12 – Médias de Grupos (centróides) (2007) ..................................................... 79
Quadro 13 – Média de grupos (centróides) (2008) ........................................................ 79
Quadro 14 - Ajustamento Geral do Modelo (2008) ....................................................... 79
Quadro 15- Correlações de Estrutura (2008) ................................................................ 80
Quadro 16- Teste M de Box (2008) ................................................................................ 80
Quadro 17 - Médias de grupos (centróides) (2009) ....................................................... 80
Quadro 18- Estatísticas descritivas e teste de igualdade das médias de grupos (2009) 81
Quadro 19 - Correlações de Estrutura (2009) ............................................................... 81
Quadro 20 – Correlação entre Variáveis Independentes (2009) ................................... 81
Quadro 21 - Teste M de Box (2009) ............................................................................... 82
Quadro 22 - Ajustamento Geral do Modelo (2009) ....................................................... 82
Quadro 23- Matriz de Classificação a, b, c(2009) ............................................................ 82
Quadro 24 – Variáveis na Equação – 1.ª Estimação (2007) .......................................... 83
Quadro 25 – Variáveis na Equação – 1.ª Estimação (2008) .......................................... 83
Quadro 26 – Variáveis na Equação – 1.ª Estimação (2009) .......................................... 83
Quadro 27 – Variáveis na Equação (2009) .................................................................... 84
Quadro 28 – Avaliação da qualidade do ajuste do modelo (2009) ................................ 84
Quadro 29 – Matriz de Classificação (2009) ................................................................. 84
ix
―...o espírito de um povo, o seu nível cultural, a sua estrutura social, os factos
que podem influenciar a sua política, tudo isto e muito mais está escrito com clareza na
sua história fiscal, e sem retórica de nenhuma espécie.‖
Shumpeter (1918)
CAPÍTULO 1: Introdução
No actual contexto de crise da dívida soberana torna-se premente não só pensar
em novas formas de organização do Estado, que conduzam à redução imediata da
despesa pública, mas também repensar processos e criar novas metodologias de trabalho
que exponenciem a relação entre a qualidade dos serviços prestados e os recursos
utilizados para esse fim.
A Administração Fiscal debate-se, como qualquer organização, com restrições,
para levar a cabo a sua missão, pelo que a sua actuação, se pauta, cada vez mais, pela
alocação económica, eficaz e eficiente dos recursos humanos, financeiros e materiais ao
seu dispor no combate à fraude e evasão fiscais.
Schneider (2009), que analisou 21 países da Organização para a Cooperação de
Desenvolvimento Económico, coloca Portugal como o quarto país com maior peso da
economia informal representando esta 19,7% do Produto Interno Bruto (PIB), acima da
média de 14% dos países analisados. A economia paralela, não registada ou informal,
designa as actividades que não são declaradas, que “fogem” ao pagamento de impostos,
que não são registadas na Contabilidade Nacional, e, portanto, não se encontram
reflectidas no PIB. De acordo com este autor nos primeiros anos da década anterior a
economia paralela tem vindo a perder terreno em Portugal passando dos 33,7% do PIB
em 1999/2000 para 18,7 % em 2008. Desde 2008 e até 2010 a economia terá crescido 1
ponto percentual, de 18,7% para 19,7%, de acordo com o mesmo trabalho.
Perante a impossibilidade de controlar todo o universo de contribuintes, a
Administração Fiscal deverá canalizar os seus esforços para a realização de tarefas de
maior valor acrescentado, devendo apostar em métodos de controlo e de prevenção que
abranjam contribuintes onde o risco de non-compliance seja maior. A questão que se
coloca é: como determinar esse risco?
1
Nos últimos anos temos assistido a uma constante evolução da quantidade e da
qualidade de informação ao dispor da Administração Fiscal decorrente, nomeadamente,
do cruzamento de dados entre os diversos sistemas informáticos da D.G.C.I., da troca de
informações entre várias entidades da Administração Pública, da troca de informações
com outras administrações fiscais, particularmente de outros Estados-Membros da
União Europeia, do levantamento do sigilo bancário, do incremento na utilização das
técnicas de auditoria informática, entre outros. Tudo isto tem permitido determinar,
nalguns casos, de forma automática, o risco associado a um determinado contribuinte e
actuar em conformidade.
Estes avanços têm-se feito reflectir bastante ao nível do planeamento e da
actividade da inspecção tributária. Mas será que o reforço e a qualidade destas
inspecções se traduzem numa efectiva arrecadação de receita? Muitos advogam que não
argumentando que o timing de actuação da Administração Fiscal é inadequado pondo
em risco a garantia de cobrança do crédito tributário.
O incumprimento ao nível fiscal pode revestir as seguintes formas: declarativo,
legislativo e de pagamento. No primeiro caso inserem-se os contribuintes que
simplesmente não apresentam as declarações fiscais que os diversos diplomas legais
impõem, no segundo caso, estão aqueles que, sendo declarantes, por força do não
cumprimento das normas legais ou através da sua interpretação abusiva estão a omitir
proveitos e/ou a empolar custos com o intuito de redução da taxa efectiva de imposto ou
dito de outra forma de redução da carga fiscal, e, finalmente, no terceiro caso, temos
aqueles que não efectuam o pagamento dos impostos sejam estes autoliquidados e/ou
apurados pela Administração Fiscal. O presente estudo debruça-se sobre o terceiro tipo
de incumprimento.
O objectivo do presente trabalho é o de desenvolver um modelo que, tendo por
base um conjunto de rácios financeiros, nos permita traçar o perfil de uma empresa
incumpridora e assim aferir a probabilidade da mesma entrar em incumprimento fiscal
no curto prazo. Os rácios são importantes para o conhecimento da situação e evolução
económico-financeira de uma empresa ao longo do tempo e como tal servem para
extrapolar a sua evolução futura.
Antecipar comportamentos poderá ser de primordial importância no seio da
Administração Fiscal já que poderá prevenir situações irregulares, promovendo por esta
2
via o cumprimento voluntário das obrigações fiscais, e, ao mesmo tempo, contribuir
para uma maior percepção de risco de inspecção ou controlo por parte dos contribuintes,
actuando como um factor dissuasor de comportamentos menos éticos sob o ponto de
vista da cidadania.
Lisowsky (2010) efectuou um estudo onde procurou detectar o uso de
planeamento fiscal abusivo a partir das demonstrações financeiras e das declarações
fiscais das empresas. Para modelizar a mencionada relação o autor, que utilizou por
base o trabalho de Wilson (2009), usou dados não públicos fornecidos pelo IRS1,
estimou o modelo através da técnica de regressão logística. Os resultados do estudo
sugerem a existência de uma ligação entre o planeamento fiscal abusivo e o rácio de
rentabilidade do activo, o rácio do endividamento, o tamanho da empresa, a existência
de book-tax-differences, entre outros. Back et. al. (2010) realizaram um estudo
exploratório com o intuito de avaliar em que medida a performance financeira pode
determinar o incumprimento a nível tributário. Neves (1997) elaborou um trabalho onde
procurou encontrar um modelo eficaz na previsão da insolvência, capaz de servir como
um indicador de alerta de risco para a Segurança Social, tendo para o efeito utilizado
indicadores económico-financeiros. Embora estes estudos tenham bastante similaridade
com a problemática do presente trabalho quanto ao objectivo principal, seriação dos
contribuintes em função do seu grau de risco e actuação preventiva/correctiva, é
importante desde já salientar que os mesmos não versam exactamente sobre
incumprimento fiscal na vertente do pagamento. Em qualquer caso ambos alinham na
ideia de que existe uma relação entre rácios financeiros e incumprimento fiscal e que as
demonstrações financeiras podem conter informações úteis na construção de modelos
econométricos capazes de prever esses comportamentos.
A presente investigação tem duas importantes contribuições ao nível teórico. Em
primeiro lugar é um dos primeiros estudos a analisar a relação entre a performance
financeira de uma empresa e o seu incumprimento fiscal na vertente do pagamento.
Outro contributo importante tem a ver com facto da investigação ser específica de um
sector de actividade, o da fabricação de mobiliário de madeira para outros fins.
Para verificar a relação entre a performance financeira de uma empresa e o
incumprimento fiscal a Administração Fiscal facultou-nos os dados das demonstrações
1
Internal Service Revenue.
3
financeiras, das empresas inseridas no sector da fabricação de mobiliário de madeira
para outros fins, referentes aos anos de 2007, 2008 e 2009. Disponibilizou-nos ainda
informação relativa às dívidas fiscais, de valor superior a € 10.000,00, relativas ao ano
posterior à data dos dados financeiros, uma vez que o objectivo é o de criar um modelo
com capacidade de previsão a 1 ano (curto prazo). A partir dos referidos dados
calculamos uma bateria de 20 rácios económico-financeiros: 12 rácios foram escolhidos
em função da sua popularidade e os restantes 8 foram seleccionados com base na
revisão de literatura.
À semelhança de estudos de previsão de insolvência construímos, para cada um
dos anos em análise, uma amostra, com um número igual de empresas incumpridoras e
cumpridoras, com a mesma dimensão, tendo apenas utilizado as empresas que
apresentavam valores para todas as variáveis independentes. Cabe aqui referir que, dos
rácios candidatos a variáveis explicativas, foram seleccionados apenas os 8 rácios
decorrentes da revisão de literatura, por se terem revelado, no seu conjunto, com maior
capacidade preditiva para o problema aqui em discussão.
Para a modelização do fenómeno em estudo foram utilizadas duas técnicas
estatísticas, geralmente usadas na construção de modelos de previsão de insolvência, a
análise discriminante multivariada e a regressão logística e compararam-se os resultados
obtidos com uma e outra técnica.
O estudo não está no entanto isento de limitações. Uma das limitações prende-se
com o facto da análise se ter cingido apenas às empresas que apresentaram declarações
anuais nos anos em estudo. Também não fazem parte da análise uma fatia considerável
de contribuintes, pessoas singulares, com contabilidade organizada, que se encontram
inscritos para o exercício desta actividade. Outra limitação importante reside na
circunstância de os dados disponibilizados não permitirem o cálculo de outros rácios
financeiros igualmente importantes para o problema em apreciação. Finalmente, uma
outra limitação, e seguramente não menos importante, tem a ver com o facto das
demonstrações financeiras que sustentam a nossa análise poderem não estar a reflectir a
imagem verdadeira e fiel das empresas em estudo. Esta última limitação é, de resto,
comum aos estudos de previsão de insolvência, que referem o facto das demonstrações
financeiras poderem estar “mascaradas” para efeitos de obtenção de crédito. Aqui
poderá acontecer o mesmo mas as práticas contabilísticas menos correctas são
4
desenhadas de forma inversa com a apresentação de demonstrações financeiras às
autoridades fiscais mais debilitadas já que o objectivo é minimizar a tributação (carga
fiscal/o valor do imposto a pagar). A este propósito Galindo e Drozdowskyj (2002)
afirmam que a eficácia dos modelos de previsão de incumprimento depende da
qualidade da amostra e para tal é importante ter informação fiável sobre o universo das
empresas a ser investigado.
A parte restante do presente trabalho encontra-se assim estruturada: no capítulo
2 procedemos à revisão da literatura, onde procuramos, de forma sucinta, passar em
revista tudo o que foi investigado até aqui em sede de modelos de previsão de
insolvência, e, em sede de modelos de previsão de incumprimento tributário com
recurso a rácios financeiros; o capítulo 3 faz uma sucinta caracterização do sector em
causa e da sua evolução ao longo dos anos com especial destaque para os períodos em
estudo; o capítulo 4 é dedicado ao tratamento de dados e expõe a metodologia,
concretamente, a selecção das variáveis independentes, as hipóteses de investigação, a
construção da amostra e as técnicas estatísticas para estimação dos modelos; o capítulo
5 faz a apresentação e discussão dos resultados univariados e multivariados; finalmente,
o capítulo 6 apresenta as principais conclusões deste estudo e perspectivas para futuras
investigações.
5
CAPÍTULO 2: Referencial Teórico – Revisão da Literatura
O problema subjacente à criação de modelos de previsão de insucesso
empresarial resulta fundamentalmente do risco associado aos empréstimos bancários e à
consequente necessidade de maximização da garantia do crédito das instituições
financeiras. Para tal, estas entidades, têm necessidade de criar metodologias de análise
que lhes permitam definir a priori o grau de risco de um determinado cliente e em
conformidade ajustar a sua resposta em termos de concessão ou não de crédito e
respectivos montantes.
À semelhança das instituições financeiras, e no que concerne ao incumprimento
fiscal ao nível do pagamento, a Administração Fiscal necessita de garantir o crédito
tributário sob pena de perda importante de receita para os cofres do Estado com as
consequentes distorções de concorrência que daí advêm para os contribuintes
cumpridores.
Considerando a similitude do problema da insolvência nas instituições
financeiras, no que toca à garantia do crédito e à necessidade de segmentação da carteira
de clientes em função do seu grau de risco, com o problema do incumprimento fiscal,
optámos por seguir esta abordagem (metodologia) na modelização do fenómeno em
estudo.
A literatura sobre métodos de selecção de contribuintes a inspeccionar ou sobre
modelos de previsão de incumprimento tributário não é abundante dado o carácter
reservado da actividade da auditoria/inspecção tributária tanto a nível nacional como
internacional. Em contraste, inúmeros estudos sobre modelos de previsão de insolvência
com recurso à utilização de rácios financeiros têm sido publicados, desde a década de
60, sobretudo em países como os Estados Unidos e como o Reino Unido. Estas
pesquisas estão essencialmente vocacionadas para aplicação destes modelos no seio das
instituições financeiras e no meio empresarial.
O presente capítulo apresenta, em primeiro lugar, uma análise ao referencial
teórico em termos de estudos de previsão de insolvência, e, em segundo lugar, faz uma
exposição sobre os estudos de previsão de incumprimento tributário baseados em rácios
económico-financeiros.
6
2.1. Estudos sobre Previsão de Insucesso Empresarial (Insolvência)
A definição de insucesso empresarial tem sido abordada de diversas formas por
uma panóplia de autores. Beaver (1966) usava uma acepção de insucesso que abarcava
situações tão diversificadas como a falta de pagamento aos credores, a existência de
contas bancárias a descoberto, o não pagamento de dividendos a capital preferencial ou
a falência jurídica (Pereira, José et al., 2007). Altman (1968), Deakin (1972), Zavgren
(1985) e Aziz & Lawson (1989) usaram o conceito de falência jurídica. Outros autores
referiram-se a insucesso empresarial nos seus estudos como simplesmente a falta de
pontualidade nos pagamentos por parte de uma empresa ou quando se dava a
circunstância dos seus activos terem um valor inferior aos seus passivos (Lev, 1978) ou
ainda a situações de empresas que evidenciavam perdas durante alguns anos
consecutivos (Rodriguez, 1994). Não existe portanto na literatura um conceito claro e
delimitado de insucesso empresarial.
Nos últimos 41 anos académicos, instituições financeiras e governos de todo o
mundo têm-se empenhado intensamente na criação/elaboração do melhor modelo de
predição de insolvência quer através de utilização de variadas bases de dados quer
através do uso de diferentes técnicas estatísticas. As inúmeras partes envolvidas, os
enormes custos económicos e sociais, a espiral negativa no ambiente económico em
geral, o aumento da disponibilidade de dados e das técnicas estatísticas, a extensa
pesquisa académica sobre o impacto das imperfeições do mercado e a assimetria de
informação, e as exigências do New Basel Capital Accord2 são apontados como os
2
O Acordo de Capital de Basileia I foi formalizado em 1988, em Basel, na Suíça, pelos reguladores dos
principais países industrializados, depois de várias falências no sector bancário, com o objectivo de
fortalecer a solidez e promover a estabilidade do sistema bancário internacional. Para além disso, a
partilha de uma mesma metodologia de solidez, permitiu diminuir as fontes de desequilíbrio competitivo
entre os bancos e os sistemas bancários internacionais. Antes do Acordo, existiam diferenças
significativas entre os níveis de capitalização dos diferentes países. Os requisitos de capital previstos no
Acordo de Basileia I correspondiam a 8% dos activos ponderados pelo risco de crédito e de mercado. O
New Basel Capital Accord ou Novo Acordo de Basileia, inicialmente publicado em Junho de 2004,
também conhecido por Basileia II, tem fundamentalmente os seguintes objectivos: o cálculo adequado
dos requisitos de capital, ou seja, actualização das regras de cálculo dos requisitos de capital e aplicação
de técnicas avançadas para a avaliação do risco. A estruturação de um Novo Acordo de Basileia,
designado por Basileia II, teve as seguintes motivações: inovação financeira e tecnológica desde Basileia
I; insatisfação com os modelos tradicionais de avaliação do risco de crédito; benchmark da solvabilidade
bancária; sofisticação da supervisão e crescente necessidade de combater a arbitragem regulamentar
7
principais factores para o interesse crescente por esta temática e para o seu
desenvolvimento (Balcaen, Sofie e Ooghe, Hubert, 2004). A literatura nesta matéria é,
pois, extensa, e revela-se fundamental para o enquadramento teórico do presente
trabalho.
Um dos primeiros estudos no campo da previsão de insolvência surgiu com Fitz
Patrick (1932). A falta de ferramentas estatísticas avançadas para análise de alguns
indicadores de performance financeira de uma empresa levou a que o autor usasse
métodos de observação de desempenho, classificando-os acima ou abaixo de um
determinado padrão considerado como ideal e comparando-os ao longo do tempo. Este
autor seleccionou, aleatoriamente, 19 empresas falidas, no período de 1920 a 1929, e
comparou-as com outras 19 empresas em boa situação financeira. O investigador
constatou que os rácios das empresas não falidas ultrapassaram o padrão préestabelecido enquanto os das empresas falidas se encontravam abaixo desse limiar. Este
trabalho levou o autor a concluir que os rácios financeiros podem fornecer indicações
importantes quanto ao risco de insolvência das empresas.
A partir da década de 60 a investigação nesta área temática conhece uma forte
dinamização graças ao contributo das ferramentas estatísticas.
Na previsão da insolvência têm sido aplicados essencialmente 3 tipos de
métodos estatísticos clássicos: (1) Análise univariada (2) Análise discriminante
multivariada e (3) Modelos de probabilidade condicional. No ponto que se segue
faremos uma apresentação do referencial teórico em termos de análise univariada e de
seguida uma abordagem aos principais estudos desenvolvidos ao nível da análise
multivariada onde se incluem as duas últimas técnicas estatísticas referenciadas. A ideia
não é apresentar exaustivamente todos os estudos que foram feitos até então mas apenas
referenciar os que foram fundamentais para os avanços que se têm feito reflectir nesta
área de conhecimento.
2.1.1. Análise Univariada
Os primeiros trabalhos de investigação na área da insolvência com recurso a
rácios financeiros e com utilização de técnicas estatísticas surgem com Beaver (1966).
nacional; e crescimento e dinamização das carteiras de crédito, do mercado de derivados e do mercado da
dívida privada (Santos, Vera, 2010, pág.5).
8
Este autor aplicou pela primeira vez um modelo de análise discriminante univariado a
um determinado conjunto de rácios financeiros de forma a prever a insolvência de uma
empresa (Beaver, 1967a). Tendo em vista a selecção das variáveis do modelo o autor
aplicou um teste de classificação dicotómica de forma a identificar os rácios melhores
na capacidade de classificação das empresas. Num modelo de análise univariada é
levado a cabo um procedimento de classificação separado para cada uma das medidas
ou rácios financeiros usados no modelo. Ao classificar uma empresa o valor de cada
rácio é analisado separadamente e de acordo com ponto de corte óptimo3 dessa medida
– o ponto em que a percentagem de erros de classificação é minimizada - a empresa é
classificada como solvente ou como insolvente O propósito do estudo de Beaver
(1967a) foi testar empiricamente a capacidade preditiva dos rácios financeiros em
relação à insolvência de uma empresa. Com este desiderato o autor utilizou uma paired
or matched sample4, por actividade e por dimensão, de 158 empresas - 79 solventes e 79
insolventes – para o período de 1954 a 1964 e comparou os seus rácios financeiros. A
análise incidiu sobre os 5 anos anteriores à falência. A investigação iniciou-se com 30
rácios, escolhidos, essencialmente, por serem os mais usados pelos analistas financeiros
à época, tendo estes sido agrupados em 6 categorias, dentro das quais, apenas foi
seleccionado um rácio. A amostra das empresas falidas apresentou um comportamento
próximo do esperado, ou seja, estas empresas estavam mais endividadas do que as
empresas que sobreviveram, apresentavam uma menor rendibilidade das vendas e dos
activos, tinham menos disponibilidades, mas mais valores a receber, os rácios de
liquidez geral eram ligeiramente inferiores e os rácios de liquidez imediata bastante
mais reduzidos (Brealey & Myers, 1988). Através da distribuição dos valores
encontrados o autor procurou identificar o ponto de corte óptimo, isto é, o patamar que
minimiza a percentagem de previsões de insolvência incorrectas, e a seguir testou esse
ponto com uma amostra de validação. Os resultados obtidos foram bastante
3
Conhecido na terminologia anglo-saxónica por optimal cut-off-point.
As amostras emparelhadas ou como designadas na terminologia anglo-saxónica paired or matched
samples existem sempre que temos duas (ou mais) amostras relativamente às quais temos conhecimento
antecipado de que uma observação num determinado conjunto de dados está relacionada directamente
com uma observação específica no outro conjunto de dados. Neste tipo de amostras os dois conjuntos de
dados devem ter exactamente o mesmo número de observações. O estudo em análise utiliza este termo,
no entanto, as amostras usadas por Beaver (1967a) não são exactamente emparelhadas uma vez que as
observações de cada conjunto de dados não estão directamente relacionadas entre si pelo que a
designação não é a apropriada. Uma vez que desconhecemos a existência de um termo específico para
designar este tipo de amostras vamos passar a designá-las, na falta de melhor, por amostras
“correspondentes”.
4
9
promissores. O autor conclui que nem todos os indicadores têm a mesma capacidade
preditiva, destacando-se, neste âmbito, o rácio de Cash-Flow/Passivo e o rácio da
rentabilidade do activo (Resultado Líquido/Total do Activo) que apresentam as menores
taxas de erro. Era expectável que o segundo rácio com menor percentagem de erro fosse
o da rentabilidade uma vez que o mesmo está fortemente correlacionado com o primeiro
indicador. O estudo salienta que a análise de rácios pode ser útil na predição da
insolvência de empresas sendo que esta constatação é válida para pelo menos 5 anos
antes de um evento desse género ocorrer.
Apesar das importantes contribuições deste trabalho algumas limitações são-lhe,
contudo, apontadas, como seja o facto dos indicadores financeiros terem sido
seleccionados com base no critério de serem os normalmente usados pelos analistas à
época e não em critérios mais objectivos. Esta circunstância pode trazer alguns
inconvenientes nomeadamente a possibilidade desses rácios estarem distorcidos por
causa da contabilidade criativa elaborada com o propósito de mascarar a real situação
financeira das empresas que pretendem obter crédito. Um outro problema, não menos
importante, reside no facto das taxas de erro do Tipo I (considerar solvente uma
empresa insolvente) alcançadas neste estudo serem superiores às taxas de erro do Tipo
II (considerar insolvente uma empresa solvente) o que é mais penalizante para a
generalidade dos credores. Outra condicionante desta investigação é ainda o facto de
apenas testar separadamente a capacidade preditiva de cada um dos rácios sendo que a
situação financeira de uma empresa deve ser vista como um todo daí o interesse da
análise multivariada (Zavgren,1983).
Em síntese podemos afirmar que a análise univariada apresenta como principal
vantagem a sua simplicidade já que não requer grandes conhecimentos estatísticos na
sua aplicação. Contudo, a sua utilização, não está isenta de desvantagens, senão
vejamos: (1) A análise univariada assenta na assumpção de que existe uma relação
linear entre rácios financeiros e insolvência, facto que, na prática, muitas vezes não se
verifica, pelo que esta técnica é muitas vezes aplicada de forma inapropriada, logo, os
seus resultados são questionáveis (Keasey & Watson, 1991); (2) A classificação de uma
empresa só pode ocorrer para um rácio de cada vez o que pode levar a um problema de
inconsistência ou seja a resultados de classificação inconsistentes e confusos para os
diferentes rácios na mesma empresa (Altman, 1968; Zavgren, 1983); (3) Os cut-off
10
points de cada uma das variáveis são escolhidos por tentativa e erro pelo que os mesmos
podem ser específicos da amostra em estudo (Bilderbeek, 1973) e por conseguinte
podem conduzir a resultados de classificação demasiado optimistas quando o modelo é
usado num contexto preditivo; (4) Ao usar rácio de cada vez, esta técnica, não está em
sintonia com a realidade, a qual, é complexa e multidimensional, pelo que a
classificação de uma empresa não pode ser vista por um único rácio apenas.
2.1.2. Análise Multivariada
Altman (1968) aprofundou a análise de Beaver (1966) e introduziu a técnica
estatística da análise multivariada ao problema da predição da insolvência. O método
usado no seu estudo foi a análise discriminante multivariada. Esta técnica estatística
tem como objectivo classificar uma observação num ou mais grupos definidos a priori
com base nas suas características individuais de forma a derivar a combinação linear (ou
quadrática) dessas características que melhor discrimina entre os grupos (Altman,
p.592). O propósito do estudo foi então o de encontrar a melhor função discriminante
que combinasse os rácios financeiros de forma multivariada capaz de captar a realidade
multidimensional de uma empresa. Com tal desiderato o autor partiu de uma amostra
“correspondente” de 66 empresas -33 solventes e 33 insolventes- do mesmo sector de
actividade e com a mesma dimensão, esta última medida pelo total do activo, que se
apresentaram como insolventes durante o período de 1946-1965. Examinou 22
potenciais rácios financeiros, tendo acabado por seleccionar apenas cinco, os quais, em
combinação, apresentavam uma melhor capacidade na predição da insolvência. As
variáveis foram classificadas em cinco grandes grupos: liquidez, rentabilidade,
endividamento, solvabilidade e actividade. Depois de várias iterações chegou à seguinte
função discriminante:
Zi=0,012Xi1+0,014Xi2+0,033Xi3+0,006Xi4+0,999Xi5
Em que:
Zi=Score discriminante para a empresa i (variável entre -∞ e + ∞),
Xi1=Activo Corrente - Passivo Corrente/Total do Activo da empresa i,
Xi2=Resultados Transitados/Total do Activo da empresa i,
11
Xi35=Resultados antes de Juros e Impostos6/Total do Activo da empresa i,
Xi4=Valor de Mercado dos Capitais Próprios/Total do Passivo da empresa i,
Xi5=Vendas/Total dos Activos da empresa i.
O Z-score ou score discriminante é uma medida unidimensional – já que integra
numa única medida de performance o efeito de várias variáveis independentes - que
assume um valor entre -∞ e +∞ e nos dá a indicação da saúde financeira de uma
empresa. A essência desta técnica na temática da insolvência é a de avaliar se uma
empresa faz parte do grupo dos insolventes ou dos solventes de acordo com o seu Z score. Para tal é estabelecido um ponto de corte óptimo sendo o Z-Score comparado
com este. Se o Z-Score está acima do referido ponto uma empresa é considerada com
boa saúde financeira.
O Z-Score determinado pelo modelo de Altman (1968) é um valor situado no
intervalo [-4, 8]. O autor, por considerar demasiado alta a probabilidade de erro na
classificação das empresas, sugeriu a criação de três grupos, em vez de apenas dois
(solventes versus insolventes). Neste modelo uma empresa que apresentasse uma
classificação inferior a 1,8 era considerada como uma falência provável, enquanto uma
empresa que apresentasse uma classificação acima de 3 era considerada como uma
empresa saudável. As empresas que apresentassem valores situados entre 1,81 e 2,99
indicavam uma situação de incerteza na previsão do risco de falência encontrando-se na
chamada zona cinzenta7.O modelo criado, conhecido como Z-Score Model, apresenta
uma capacidade preditiva extremamente precisa, nos dois anos anteriores à falência,
com 94% da amostra inicial a ser classificada no grupo correcto. O rácio que melhor
discrimina os grupos é o representado pela variável X2. O estudo revela ainda a boa
performance do Z-Score em vários testes efectuados a amostras secundárias que foram
posteriormente analisadas pelo autor para apurar a fiabilidade do modelo. Estes
resultados demonstraram, que o uso da técnica multivariada, ou seja, a combinação de
indicadores financeiros num único modelo, tem maior poder preditivo do que as
técnicas univariadas utilizadas anteriormente para prever falências. De referir, ainda,
que os rácios escolhidos por Altman (1968) não assentam em nenhuma teoria, mas na
5
Rácio conhecido por rentabilidade do activo ou na linguagem anglo-saxónica por Earning Power.
Na linguagem anglo-saxónica conhecido por EBIT, isto é, Earnings Before Interests and Taxes.
7
Conhecida na terminologia anglo-saxónica por grey zone.
6
12
eficiência estatística do modelo, pelo que a amostra utilizada influencia aquela escolha
facto que é, de resto, comum à maioria dos estudos desta natureza.
Em 1977, Altman et al. (1977) desenvolveu um novo modelo com capacidade de
classificação até 5 (cinco) anos antes da falência que ficou conhecido como Zeta Model.
Este modelo, cuja amostra é constituída por empresas de maior dimensão, consistiu no
fundo numa actualização e aperfeiçoamento do anterior Z-Score e justificou-se pela
necessidade de dar expressão às novas normas de relato financeiro.
Durante muitos anos, e até 1980, a análise discriminante multivariada foi a
técnica de excelência utilizada para a avaliação deste tipo de problemas. Deakin (1972),
Edmister (1972), Blum (1974), Deakin (1977), Taffler & Tisshaw (1977), Van
Frederikslust (1978), Bilderbeek (1979) e Dambolena & Khoury (1980) são apenas
alguns exemplos de estudos onde esta técnica estatística foi privilegiada.
Cabe aqui contudo sublinhar que a análise discriminante multivariada é baseada
na assunção de duas importantes premissas:
- as variáveis independentes incluídas no modelo seguem a distribuição normal
(normalidade multivariada);
- as matrizes de variância/covariância são homogéneas para todos os grupos
(homocedasticidade).
Foram apontados alguns problemas à análise discriminante múltipla sendo, um
deles, o facto de na maioria dos referidos estudos os mencionados princípios básicos
serem frequentemente violados quando aplicados aos problemas da previsão de
insolvência, e outro, o facto de a estimativa dos coeficientes não permitir interpretação
imediata, como na generalidade dos modelos de regressão linear, da importância
relativa das diferentes variáveis para a variável de interesse ou a grandeza da influência
das variáveis independentes na variável a explicar (Barnes, 1982; Karels e Parkash,
1987; Mcley e Omar, 2000). Outra importante desvantagem da análise discriminante
multivariada é que assume a existência de uma relação linear entre as variáveis
independentes e a variável independente o que nem sempre se verifica.
Numa tentativa de dar resposta às questões levantadas pela referida técnica
estatística, Ohlson (1980), aplica, pela primeira vez, a regressão logística a modelos de
previsão de falência. Este método, que resulta num modelo de probabilidade
condicional, consiste na combinação das variáveis que melhor distinguem entre o grupo
13
das empresas insolventes e o grupo das empresas solventes (Balcaen, Sofie e Ooghe,
Hubert, 2004). A principal vantagem deste método estatístico face ao anterior é a de não
exigir que as variáveis independentes tenham distribuição normal. Outra importante
vantagem tem a ver com o facto de permitir a inclusão de variáveis não métricas ou
qualitativas. Para o seu estudo o investigador utilizou uma amostra desproporcional de
105 empresas falidas e 2058 não falidas durante o período de 1970 a 1976 tendo os
dados sido retirados do COMPUSTAT. Seleccionou 9 variáveis independentes, 7 rácios
financeiros e 2 variáveis qualitativas. O autor refere que a escolha dos rácios financeiros
se deveu à sua simplicidade. Foram estimados 3 modelos sendo o primeiro utilizado
para prever a insolvência dentro de 1 ano, o segundo para prever a insolvência dentro de
2 anos e o terceiro para prever a insolvência dentro de 1 a 2 anos. No entanto, a
performance do modelo, veio a revelar-se, em termos de precisão, inferior aos estudos
de Altman e de outros autores que utilizaram a análise discriminante multivariada como
técnica.
Não obstante, depois do trabalho de Ohlson (1980), a maioria da literatura
académica passou a utilizar o modelo Logit para construir modelos de previsão de
insolvência (Zavgren 1983; Gentry et al., 1985; Keasey e Watson, 1987; Aziz et al.,
1988; Platt e Platt, 1990; Ooghe et al., 1995; Mossman et al., 1998; Charitou e
Trigeorgis, 2002; Lizal, 2002; Becchetti e Sierra, 2002).
Em 1984, Zmijewski (1984) foi pioneiro na aplicação da análise Probit8 a
problemas de previsão de insolvência, no entanto, esta técnica não teve grande
aderência por parte da comunidade científica, já que requer mais computações que a
análise Logit (Gloubos e Grammatikos, 1988; Dimitras et al., 1996).
Desde então têm sido efectuados imensos estudos desta natureza. Há trabalhos
que utilizaram empresas seguradoras (Mora, 1994), empresas financeiras e de crédito
(Laffarga et al.,1985), outros que que usaram empresas industriais, empresas comerciais
(McGurr & DeVaney, 1998; Bhargava et al., 1998), empresas cotadas em Bolsa (Kim &
Kim, 1999), empresas de um sector específico (Scherr, 1989; Somoza & Vallverdú,
2003) entre outros.
Em 2007, Altman e Sabato (2007) desenvolvem um modelo de previsão de
insolvência específico para pequenas e médias empresas e comparam-no, em termos de
8
Esta técnica usa a função acumulada da distribuição normal como padrão pelo que não é aconselhável a
situações em que haja assimetria na distribuição de frequências.
14
capacidade de previsão, com o generic corporate model (também conhecido por Z
Score model). Para a estimação deste novo modelo utilizaram a regressão logística
tendo logaritmizado as variáveis uma vez que os resultados obtidos sem essa
transformação apresentavam uma grande variabilidade decorrente dos diferentes
sectores de actividade em que as empresas da amostra se encontravam inseridas e/ou da
sua dimensão e/ou nível de “saúde” financeira. Cabe aqui salientar que, para efeitos de
comparação, os autores aplicaram ao estudo a análise discriminante multivariada tendo
demonstrado que esta técnica tem uma capacidade preditiva menor do que o modelo
logit quando são usadas exactamente as mesmas variáveis. Os rácios-económico
financeiros usados neste modelo foram: EBITDA9/Total do Activo (Rentabilidade);
Passivo de Curto Prazo/Capital Próprio (Alavancagem); Resultados Transitados/Total
do Activo (Cobertura); Liquidez Reduzida (Liquidez); e EBITDA/Custos Financeiros
(Actividade). O estudo concluiu que o que este novo modelo tinha um poder explicativo
superior em quase 30% quando comparado com o anterior.
Em suma a regressão logística tem sido amplamente usada já que não exige
condições de normalidade na distribuição de variáveis. Os modelos de regressão
logística apresentam, todavia, alguns inconvenientes. Este tipo de modelos é
extremamente susceptível à existência de multicolinariedade pelo que a inclusão de
variáveis altamente correlacionadas deve ser evitada (Ooghe et al., 1994a; Joos et. al.,
1998a). Este problema é, no entanto, difícil de ser contornado já que os estudos que
envolvem rácios financeiros enfermam do facto das grandezas usadas no numerador e
no denominador para cálculo das variáveis serem muitas vezes as mesmas (Tucker,
1996). Os modelos de regressão logística revelam-se ainda muito sensíveis aos outliers
e aos missing values. Finalmente apesar destes modelos não requererem a distribuição
normal das variáveis independentes existem estudos que sugerem que os modelos
permanecem sensíveis a casos de extrema não normalidade (Mcleay & Omar, 2000).
Em 1990 começaram a ser explorados os modelos baseados em redes neuronais
artificiais ou modelos de computação conexionista (Bell et al, 1990; Tam e Kiang,
1992). As redes neurais artificiais reproduzem o funcionamento do cérebro de maneira
simplificada. Noções sobre o funcionamento da memória, como por exemplo princípios
associativos ou capacidade de aprendizagem, inspiram os modelos de redes neurais
9
Earnings Before Interest, Taxes, Depreciation and Amortization.
15
artificiais (Kohonen, 1988). O uso de técnicas de representação do conhecimento sobre
avaliação de risco de insolvência é de especial interesse, pois essas técnicas podem
tratar dados quantitativos e qualitativos. Para este tipo de modelos é muito importante
uma selecção prévia das variáveis a utilizar pois um número muito elevado de variáveis
pode levar a problemas no tempo e na qualidade da estimação dos ponderadores e a uma
rede com uma complexidade excessiva. Uma forma de o fazer é usando os resultados da
análise bivariada.
Nos últimos anos têm sido aplicados os desenvolvimentos mais recentes da área
da Inteligência Artificial aos problemas de risco insolvência. Os Algoritmos Evolutivos
constituem uma dessas novas técnicas e são uma nova metodologia muito útil na
selecção de variáveis para classificação. Estes são algoritmos que se inspiram nos
mecanismos da evolução biológica e originaram por sua vez novas linhas de
investigação, como a dos Algoritmos Genéticos. Em termos genéricos os Algoritmos
Evolutivos inspiram-se na própria observação da Natureza: por meio de seus recursos a
Natureza resolve problemas complexos de determinação de quantidades de “recursos”
para resolver “problemas” de sobrevivência. Assim, a Evolução é a optimização dos
mecanismos para resolver um ou mais problemas. Em 2009, Gaspar-Cunha, António et.
al. (2009) publicaram um importante estudo que aplicou um Algoritmo Evolutivo (o
chamado MOEA, Multi-Objective Evolutionary Algorithm) a problemas de previsão de
insolvência. O método, aplicado a uma base de dados de 1200 empresas francesas,
permitiu seleccionar as características mais importantes (os rácios financeiros) na
classificação de insolvência. Os resultados obtidos por esta metodologia permitiram
concluir que a performance desta técnica é a melhor entre várias usadas até então,
designadamente, os métodos clássicos como a análise discriminante, o logit e o probit.
Estes investigadores mostraram ainda que além dos rácios citados por Altman, o uso de
outros rácios tem um papel fundamental na previsão de insolvência que não pode ser
ignorado. Uma vez que o presente estudo não tem como objectivo a aplicação destas
últimas duas técnicas não vamos tecer mais considerações acerca das mesmas
remetendo o leitor mais interessado para as obras que aqui foram referidas.
Em suma, ao longo das últimas décadas, a investigação nesta área não tem
parado. A análise discriminante multivariada e a regressão logística são as técnicas
estatísticas predominantes na construção de modelos de previsão de insolvência, às
16
quais, se juntam, mais recentemente, as técnicas de inteligência artificial. Verifica-se,
no entanto, que qualquer uma das abordagens não está isenta de problemas. Os vários
métodos usam uma perspectiva teórica semelhante, mas seguem distintas vias
operacionais, ditadas mais pelas características estatísticas dos métodos seguidos ao
nível empírico. Neste estudo vamos dar relevância às técnicas de análise discriminante e
regressão logística.
2.2. Estudos sobre Previsão de Incumprimento Tributário10
As auditorias tributárias são dispendiosas pelo que a selecção de contribuintes a
inspeccionar é das tarefas mais importantes para a Administração Fiscal. Encontrar
metodologias e modelos eficazes e eficientes na determinação dos alvos a inspeccionar
é portanto um enorme desafio. Em termos de modelos de previsão de incumprimento
tributário através de rácios financeiros a literatura é pouco vasta o que em grande
medida se deve ao carácter confidencial que se impõe a estas matérias.
Lisowsky (2010) realizou um importante estudo tendo criado um tax-shelter
score para classificar as empresas de acordo com o seu grau risco ou propensão para
planeamento fiscal abusivo. O estudo teve por base o trabalho de Wilson (2009) e usou
dados não públicos do IRS e dados financeiros obtidos através do COMPUSTAT. Os
modelos foram desenvolvidos com uma amostra de 9.223 empresas, relativamente aos
anos de 2000 a 2004, tendo sido utilizada como técnica de modelação a regressão
logística. Os resultados do estudo sugerem que o planeamento fiscal abusivo está
positivamente relacionado com a rentabilidade do activo, com o tamanho da empresa,
com as book-tax diferences, com os rendimentos obtidos no estrangeiro, com o uso de
promotores, e que, o mesmo está negativamente relacionado com o endividamento.
Um estudo finlandês de Marghescu, Dorina et. al. (2010) analisa até que ponto a
performance financeira de uma empresa pode ser usada como um indicador do seu
incumprimento fiscal presente e futuro. O estudo exploratório focaliza-se num único
10
Usamos aqui o termo tributário na medida em que alguns dos estudos que encontramos na revisão da
literatura de alguma forma estão relacionados com contribuições para a segurança social. De acordo com
o n.º 2 do art.º3.º da Lei Geral Tributária os tributos compreendem os impostos, incluindo os aduaneiros e
especiais, e outras espécies tributárias criadas por lei, designadamente as taxas e demais contribuições
financeiras a favor de entidades públicas. É conveniente salientar que o nosso estudo se focaliza apenas
nas dívidas relacionadas com impostos.
17
tipo de “imposto”, concretamente, nas contribuições para a segurança social, e utiliza
apenas quatro rácios financeiros, dois de rentabilidade, um de liquidez e outro de
solvabilidade para medir a “saúde” financeira das empresas. Salienta-se, contudo, que
estes rácios financeiros não são identificados pelas autoras em virtude da
confidencialidade que naturalmente se impõe a este tipo de assuntos. A análise foi
desenvolvida tendo por base uma amostra das demonstrações financeiras de 474
empresas finlandesas, de um determinado sector de actividade, inspeccionadas e
identificadas pela Administração Fiscal Finlandesa como sendo incumpridoras. O
período temporal do estudo cinge-se ao ano de 2004. O incumprimento das empresas foi
classificado em 3 grupos: as “Clean”, as “Employer`s contributions defaults” e as
“Other Tax defaults”. No primeiro grupo encontram-se as que foram auditadas e em que
não foi detectado qualquer incumprimento. No segundo grupo as empresas com
incumprimento ao nível das contribuições sociais e possivelmente com outras
irregularidades fiscais também. Finalmente, no terceiro grupo, foram incluídas as
empresas com várias irregularidades fiscais nomeadamente ao nível das contribuições
para a Segurança Social. Os dados iniciais foram divididos em 4 subgrupos devido à
existência de outliers e à existência de empresas com todos os rácios a zero. Após novo
tratamento de dados foram criados 10 grupos. Para modelizar a relação entre a
performance financeira de uma empresa e o incumprimento ao nível das contribuições
sociais as investigadoras aplicaram a regressão logística a cada um desses grupos. Os
resultados obtidos permitiram às autoras concluir que, apesar das limitações do estudo,
designadamente, falta de inclusão de outros rácios financeiros relevantes, a abordagem
utilizada na investigação pode ser usada com sucesso para seleccionar empresas a
inspeccionar pela Administração Fiscal.
Em Portugal encontramos apenas um estudo desta natureza. Neves (1997)
elaborou um trabalho, para a Fundação da Ciência e Tecnologia e Instituto da Gestão
Financeira da Segurança Social, com o intuito de estabelecer uma metodologia que
permitisse a esta última entidade construir indicadores de alerta sobre o risco de crédito
das empresas para que a mesma pudesse antecipar um evento de falência e minimizar os
efeitos sociais e os elevados custos directos e indirectos que lhe estão associados. Foram
recolhidos os dados financeiros, balanço e demonstração de resultados, de 369 empresas
constantes da base de dados da MOPE (informação para gestão de empresas) e que
18
apresentavam uma classificação elevada de risco de crédito no ano de 1996. O período
temporal do estudo incidiu sobre os anos de 1992 a 1995. A bateria de 70 rácios
económico-financeiros utilizados no estudo foi escolhida de acordo com os seguintes
critérios: 59 foram escolhidos a partir de estudos de diversos autores, entre os quais
Beaver (1966) e Altman (1968, 1974, 1984), os 11 restantes foram produzidos a partir
de Neves (1984). Através da metodologia stepwise foi seleccionada a combinação de
rácios que de forma mais eficiente separou os dois grupos, isto é, cumpridores e
incumpridores. O autor aplicou duas técnicas, a análise discriminante multivariada e a
regressão logística, e comparou os resultados obtidos com uma e outra. Obteve boa
performance dos modelos com ambas as técnicas, no entanto, os resultados da regressão
logística foram um pouco melhores.
19
CAPÍTULO 3: A indústria da fabricação de mobiliário de madeira em
Portugal
À semelhança de alguns outros estudos na área da insolvência de empresas
(Scherr, 1989; Somoza & Vallverdú, 2003) a presente investigação incide sobre um
sector de actividade específico concretamente sobre as empresas que desenvolvem a
actividade da fabricação de mobiliário de madeira para outros fins em Portugal. Esta
circunstância permite ultrapassar alguns dos problemas apontados para amostras
diversificadas em termos de actividades económicas, nomeadamente, o facto dos
modelos obtidos serem tendenciosos para um determinado sector e como tal serem de
duvidosa aplicação a sectores com pouca representatividade na amostra (Laffarga e
Mora, 1998; Román e De La Torre, 2002). Dada a pertinência que o conhecimento desta
actividade pode ter para a compreensão e enquadramento temporal dos rácios
financeiros deste estudo, caracterizamos, ainda que de forma muito sucinta, o sector de
actividade da fabricação de mobiliário de madeira, com especial destaque para os anos
em foco.
A actividade de fabricação do mobiliário de madeira para outros fins integra-se
na CAE-Rev.3 3109111. Este código compreende especificamente a fabricação de
mobiliário para salas de estar, quartos de dormir, casas de banho e fins diferentes das
actividades como sejam os da fabricação de mobiliário para escritório e comércio, os da
fabricação de mobiliário de cozinha, os da fabricação de colchoaria e os da fabricação
de mobiliário metálico para outros fins. A actividade inclui também a fabricação de
mobiliário urbano (bancos), sofás, cadeiras e assentos com armação de madeira, assim
como acabamentos (estofamento, pintura, polimento, lacagem e envernizamento). Não
se incluem nesta actividade a fabricação de almofadas, edredões, pufes, a fabricação de
material de iluminação, de assentos para veículos automóveis, de assentos para veículos
ferroviários, e a fabricação de assentos para aeronaves e a reparação de mobiliário.
11
A Classificação das Actividades Económicas, Revisão 3, abreviadamente designada por CAE-Rev.3,
aprovada pelo Decreto-Lei n.º381/2007, de 14 de Novembro, e harmonizado com a Nomenclatura das
Actividades Económicas na Comunidade Europeia (NACE), no âmbito do Regulamento da CE
n.º1893/2006, do Parlamento Europeu e do Conselho, de 20 de Dezembro de 2006, constitui o quadro
comum de classificação de actividades económicas em Portugal. Este encontra-se estruturado em duas
partes: uma alfabética, com um só nível, que se designa de Secção, e outra, numérica, com quatro níveis
de detalhe, que se designam por Divisão, Grupo, Classe e Subclasse. A actividade em estudo está inserida
na Secção C, que corresponde à secção das indústrias transformadoras, e, dentro desta secção, encontra-se
na divisão 31, que diz respeito à fabricação de mobiliário e colchões.
20
De acordo com um estudo da AIMMP, desenvolvido em 2005 pela Escola de
Gestão do Porto (EGP), a indústria de mobiliário de madeira em Portugal caracteriza-se
por ser bastante fragmentada, em termos de número de empresas, à semelhança, aliás,
do que acontece no resto do mundo, sendo que essas empresas são maioritariamente de
pequena dimensão e com modelos de gestão familiar. Esta indústria, de mão-de-obra
intensiva, possui uma elevada concentração de empresas, na Região Norte de Portugal,
e em particular no Vale do Sousa, local onde se encontra a parte mais importante da
indústria portuguesa do mobiliário de madeira. A indústria de mobiliário é, dos sectores
tradicionais da indústria portuguesa, aquele que, nos últimos anos, mais tem crescido
nos mercados internacionais e que conheceu uma evolução mais considerável em
termos de desenvolvimento de produtos, estratégias de marketing e evolução na cadeia
de valor. Em 2002, com o acentuar da crise que se instalou em 2001, assistimos a uma
redução significativa do consumo interno de mobiliário e à instabilidade nos circuitos
de distribuição – com as empresas comerciais, que as empresas produtoras não
dominam, a preferirem mobiliário de importação devido ao preço e às condições
financeiras mais vantajosas. Concomitantemente verificou-se uma forte concorrência
com mobiliário proveniente de países com apoios para a exportação, dos quais
destacamos a Espanha, e o reduzido investimento em estratégias comerciais e de
marketing das empresas portuguesas. Não obstante, é conveniente sublinhar que, através
de investimentos realizados desde 2001, as exportações têm conhecido um forte
crescimento no contexto da economia nacional e internacional.
Um outro estudo, mais recente, da AEP (2010), evidencia que a CAE 310 Fabricação de mobiliário e colchões (CAE-Rev.3), em 2008, agregava 6390 empresas e
40449 pessoas ao serviço, um volume de negócios de cerca de 1657 milhões de euros e
um VAB em cerca de 538,4 milhões de euros. Em termos de distribuição das empresas,
do pessoal ao serviço e do VAB pelos diferentes segmentos verifica-se que o sector da
fabricação de mobiliário de madeira para outros fins assume um peso significativo ao
nível das três variáveis (75%, 70,4% e 60,3%, respectivamente). Em 2009 a maior parte
dos fluxos comerciais dirige-se para a Europa, destacando-se o caso de Espanha,
responsável por 35,3% das importações e por 28,1% das exportações, e o de França, o
principal cliente, a registar cerca 29% das exportações e um quinto do total das
importações. É ainda de realçar a relevância que a Angola tem vindo a assumir, país
21
para o qual, em 2009, se destinaram cerca de 17,9% das exportações deste tipo de
produtos.
Para a caracterização de alguns valores agregados desta actividade, optamos por
utilizar os dados do Ministério da Justiça uma vez que a informação constante dos
estudos sectoriais do INE apresenta o cômputo dos valores para a classe CAE 3109, ou
seja, montantes relativos à fabricação de mobiliário de madeira para outros fins e
valores referentes à fabricação de mobiliário metálico para outros fins. A Tabela 1
patenteia os montantes de algumas das rubricas que consideramos relevantes para os
anos de 2007, 2008 e 2009.
Tabela 1- Dados de Actividade
N.º de Empresas
N.º de Trabalhadores
V. Negócios (milhões de €)
Importações (milhões de €)
Exportações (milhões de €)
2007
1802
22852
835,407
46,773
208,925
2008
1769
21723
851,648
47,518
255,436
2009
1700
20184
779,503
43,37
269,019
Fonte: Ministério da Justiça
De 2007 para 2008 verifica-se um ligeiro decréscimo, de cerca de 1,8%, no
número de empresas a exercer esta actividade. De 2008 para 2009 constata-se uma
diminuição ligeira, mas mais acentuada do que no período precedente, na ordem dos
3,9%. O período temporal de 2007/2009 sofre a maior redução do número de empresas,
ainda assim ligeira, na ordem dos 5,7%. Este facto pode estar relacionado com o
aumento de falências operado neste sector devido à crise económica que se instalou
desde finais de 2008. A tendência decrescente no número de operadores económicos
nesta actividade é acompanhada por variação de igual sentido no número de
trabalhadores empregues por esta indústria. O volume de negócios e as importações
sofreram também um decréscimo ao longo do triénio em análise à semelhança do que se
passou para os restantes indicadores. Os dados referentes ao volume de negócios de
2009 reflectem os efeitos da crise económica internacional, com a queda da procura
externa, em particular dos principais parceiros comerciais de Portugal. Curiosamente, as
exportações aumentaram, de 2007 para 2009, em cerca de 28,76%, reflectindo a
tendência de crescimento que já se vinha desenhando desde 2001. O saldo da Balança
Comercial para esta actividade específica apresenta-se assim positivo ao longo dos três
anos verificando-se uma melhoria do seu saldo de 2007 para 2009 em cerca de 39,15%.
22
CAPÍTULO 4: Dados, Hipóteses e Metodologia
Neste capítulo descreve-se detalhadamente tudo o que se relaciona com os dados
utilizados neste estudo desde a sua origem até à constituição da amostra final que irá
alimentar a nossa análise discriminante e a regressão logística. A secção está dividida
em duas partes: na primeira, origem dos dados, faz-se uma caracterização da amostra
inicial em termos dos valores agregados mais importantes e expõe-se o procedimento
adoptado para tratamento dos outliers; e, na segunda expõe-se a metodologia, emitemse as hipóteses de investigação, identificam-se e definem-se as variáveis utilizadas nos
modelos, descrevem-se os passos percorridos para chegar à amostra de modelização e
finalmente faz-se uma breve referência teórica às técnicas estatísticas seleccionadas para
a elaboração dos modelos.
4.1. Dados
Demonstrações Financeiras
A informação financeira utilizada neste estudo não está disponível
publicamente12. A Administração Fiscal disponibilizou-nos os dados referentes ao
balanço e à demonstração de resultados, das pessoas colectivas, inscritas na base de
dados da Direcção-Geral dos Impostos, para o exercício da actividade de “Fabricação de
Mobiliário de Madeira para Outros Fins”, referentes aos exercícios económicos de 2007
a 2009.
Com base nos critérios antes referidos obtivemos uma amostra inicial de 1795
empresas para o ano de 2007, de 1785 empresas para o ano de 2008 e de 1685 empresas
para o ano de 2009.
Para melhor percepção das características da amostra calculamos os valores
agregados para cada ano para algumas das rubricas mais importantes constantes do
balanço e da demonstração de resultados. Na Tabela 2 encontram-se evidenciados os
valores referentes ao Balanço.
12
De acordo com a alínea c) do n.º1 do art.º117.º e art.º121.º do Código do IRC os sujeitos passivos deste
imposto são obrigados a apresentar às autoridades fiscais declaração anual de informação contabilística e
fiscal onde divulgam, entre outras informações, as suas demonstrações financeiras.
23
Tabela 2 - Valores Agregados do Balanço
BALANÇO
2007
TOTAL DO ACTIVO
V.M.13
2008
V.M.
2009
V.M.
1.241.956.290,33
691.897,65
1.296.568.673,41
726.369,00
1.110.799.301,39
659.619,54
TOTAL DO CAPITAL PRÓPRIO
330.061.655,90
183.878,36
360.126.315,26
201.751,44
291.536.961,01
173.121,71
TOTAL DO PASSIVO
911.894.634,43
508.019,29
936.442.358,15
524.617,57
819.262.340,38
486.497,83
1.241.956.290,33
691.897,65
1.296.568.673,41
726.369,00
1.110.799.301,39
659.619,54
TOTAL DO CAPITAL PRÓPRIO E PASSIVO
A Tabela 3 que se expõe de seguida exibe os valores relativos a algumas
rubricas importantes da Demonstração de Resultados.
Tabela 3 – Valores Agregados da Demonstração de Resultados
DEMONSTRAÇÃO DE RESULTADOS
2007
V.M.
2008
V.M.
2009
V.M.
TOTAL DE PROVEITOS
875.869.028,23
487.949,32
920.908.049,18
515.914,87
768.722.665,77
456.486,14
TOTAL DE CUSTOS
886.021.447,71
493.605,26
918.087.753,12
514.334,88
794.487.395,09
471.785,86
IRC
6.701.288,54
3.733,31
8.057.648,50
4.514,09
3.737.207,26
2.219,24
RLE
-16.853.708,02
-9.389,25
-5.237.352,44
-2.934,09
-29.501.936,58
-17.518,96
Em termos de Imposto sobre Rendimento das Pessoas Colectivas (IRC)
constata-se que, em média, cada empresa constante da amostra, apurou imposto no valor
de € 3.733,31 em 2007, de € 4.514,09 em 2008 e de € 2.219,24. Verifica-se, assim, um
decréscimo acentuado desta rubrica, de 2007 para 2009 de cerca de 40,5%. Por outro
lado, de 2007 para 2008, regista-se uma variação positiva nesta rubrica de cerca de
20,91%.
A rubrica de Resultado Líquido do Exercício (RLE) apresenta valores agregados
negativos para todos os anos em apreço, verificando-se, contudo, uma melhoria do seu
desempenho, de 2007 para 2008, na ordem dos 320%. De 2008 para 2009 regista-se um
agravamento deste montante em cerca de 597,08%. Em média, as empresas registadas
para o exercício da actividade de “Fabricação de Madeira para Outros Fins”, que
apresentaram demonstrações financeiras à Administração Fiscal, têm um RLE negativo
de € 9.389,25 em 2007, de € 2.934, 09 em 2008 e de € 17.518, 96 em 2009.
A percentagem das empresas que apresentam RLE positivo, nulo e negativo para
cada um dos anos encontra-se evidenciada na Tabela 4 que de seguida expomos.
13
Valor médio.
24
Tabela 4 – Resultado Líquido do Exercício (RLE)
RLE/Ano
2007
%
2008
%
2009
%
Negativo (1)
622
34,65
672
37,64
666
39,53
Nulo (2)
61
3,4
84
4,77
84
4,99
Positivo (3)
1112
61,95
1028
57,59
935
55,48
100
1785
100
1685
100
Total (4) = (1) + (2) + (3) 1795
Constata-se que a maioria das empresas, cerca de 60%, apresenta, para os anos
estudo, RLE positivo, no entanto, é importante destacar, que uma fatia considerável das
empresas em análise apresenta RLE negativo, na ordem média dos 37,27%. Só uma
pequena parte das empresas apresenta um resultado nulo para o triénio em destaque. Em
termos anuais não se verificam grandes variações nas percentagens constantes da
Tabela. A registar apenas que, de 2007 para 2008, houve um ligeiro aumento do número
de empresas com RLE negativo (de 4,88%) o qual foi acompanhado de uma diminuição
das empresas com RLE positivo (de 6,47%).
Dívidas Fiscais
A Administração Fiscal facultou-nos as dívidas fiscais, de montante superior a €
10.000, com desfasamento de um ano em relação ao primeiro ano em estudo, já que o
que pretendemos determinar é a probabilidade de incumprimento fiscal no curto prazo.
Assim, foram-nos disponibilizadas as dívidas para os anos de 2008, 2009 e 2010 dos
contribuintes inseridos na actividade da fabricação de mobiliário de madeira para outros
fins. É importante salientar que os valores em causa não incluem montantes que estão a
ser objecto de reclamação ou impugnação judicial uma vez que a dívida efectiva está
suspensa até que haja resolução da litigância, podendo mesmo, em caso de decisão
favorável ao contribuinte, vir a ser anulada, pelo que a introdução destes dados poderia
enviesar os modelos.
Tratamento de Dados
Numa primeira fase, e antes de calcularmos os rácios financeiros propriamente
ditos, efectuamos um tratamento inicial da informação com o objectivo de, por um lado,
eliminar as empresas que apresentavam valores ilógicos ou absurdos, e, por outro,
25
ganhar maior sensibilidade aos dados. Com efeito excluímos as empresas que
apresentavam valores a zeros nas demonstrações financeiras, ou seja, expurgamos da
amostra as entidades que não exerceram actividade no período temporal em questão, de
forma a evitar o enviesamento das estatísticas descritivas. Obtivemos então uma
amostra após tratamento preliminar de dados de 1701 empresas em 2007, 1699 em 2008
e 1609 em 2009.
Com base na informação constante das demonstrações financeiras foram
calculados os rácios económico-financeiros. A escolha de uma parte destes rácios teve
como pano de fundo a revisão da literatura onde se procurou identificar os indicadores
financeiros mais relevantes para a predição da insolvência de uma empresa. Os restantes
rácios foram seleccionados pela sua popularidade tendo sido obtidos por pesquisa em
livros na área da análise financeira. Calculamos assim uma bateria de 19 rácios14: 16
escolhidos de acordo com a sua popularidade e os restantes 8 elegidos de acordo com a
literatura.
Numa segunda fase procedemos à identificação e tratamento dos outliers, ou
seja, dos valores discrepantes ou atípicos em relação a cada um dos rácios candidatos a
variáveis. O objectivo deste procedimento foi o de homogeneizar o mais possível os
dados em apreciação, evitando, por um lado, apresentar estatísticas descritivas que
estejam desfasadas da realidade em estudo, e, por outro, retirar conclusões menos
precisas em relação ao problema que aqui teorizamos.
Existem vários procedimentos para tratamento destes valores como sejam a
eliminação completa dessas observações, a sua substituição dos seus valores pela média
da variável em causa, a substituição por valores de uma regressão ou a winsorização15,
que elimina, de forma ordenada, um número igual de observações em cada lado da
distribuição. Nesta investigação optamos por eliminar as observações que se mostraram
outliers em cada um dos rácios financeiros. Uma das críticas apontadas para este
procedimento é o facto de que se se verificar a existência de mais de um outlier para
uma ou mais variáveis individualmente a exclusão de um número significativo de
observações poder redundar numa redução indesejada do tamanho amostral sob o ponto
de vista estatístico. A adopção desta metodologia ao nosso estudo não se traduziu,
14
Os rácios financeiros utilizados encontram-se devidamente identificados no Quadro 1.
De acordo com este método o valor de um outlier é substituído pelo valor do não outlier mais próximo
de forma a que a distribuição se ajuste à distribuição normal.
15
26
porém, numa redução significativa da amostra, pelo que os problemas suscitados no
parágrafo anterior não se aplicam ao caso em concreto.
Para aferir da existência de outliers foram utilizados os quartis, especificamente,
o intervalo interquartil, analisando em que medida os valores dos rácios financeiros
superavam em três vezes o mencionado diferencial16. Foram portanto excluídos apenas
os outliers severos. Assim, de acordo com o procedimento explanado, sempre que foi
identificado um valor com um comportamento que se afastava visivelmente do da
grande maioria procedemos, para o rácio em estudo, à eliminação da respectiva
observação.
4.2. Metodologia
O presente subcapítulo tem por objectivo apresentar e definir as variáveis, emitir
as hipóteses de investigação e expor e justificar de forma breve as técnicas estatísticas
aplicadas na construção dos modelos econométricos. Na primeira subsecção
apresentamos a variável dependente e as variáveis independentes do estudo e emitimos
as hipóteses de investigação; na segunda secção traçamos o caminho percorrido até
alcançar as amostras de modelização (finais), e, finalmente, na terceira subsecção,
abordamos os métodos estatísticos usados na estimação dos modelos justificando a
pertinência da sua adopção no presente estudo.
4.2.1. Selecção das Variáveis e Hipóteses de Investigação
Chama-se variável dependente à variável que tanta é afectada como explicada
pelas variáveis independentes com as quais se relaciona. A variável dependente ou
variável a explicar pelo conjunto das variáveis independentes é no nosso problema de
natureza dicotómica. A variável dependente assume o valor 1 sempre que a empresa em
causa seja incumpridora (isto é, apresente dívidas fiscais17 em n+1 de montante superior
a € 10.000,00) e adopta o valor 0 caso contrário (ou seja, sempre que a empresa seja
cumpridora).
16
O valor x da variável inferior a Q1-3(Q3-Q1) ou superior a Q3+3(Q3-Q1).
As dívidas fiscais usadas no estudo relacionam-se com impostos, nomeadamente, Imposto sobre o
Valor Acrescentado, Imposto sobre Rendimento de Pessoas Colectivas, Imposto sobre Rendimento de
Pessoas Singulares, Imposto Municipal sobre Imóveis, Imposto Municipal sobre Transacções, Imposto de
Selo, entre outros.
17
27
A maioria dos estudos de previsão de insolvência começa com uma bateria
inicial de rácios financeiros candidatos a variáveis, que são frequentemente escolhidos
de acordo com a sua popularidade na literatura, e termina com um conjunto mais
reduzido. Tal escolha arbitrária prende-se com o facto de não existir uma teria associada
aos rácios financeiros. Estamos conscientes de que esta forma de selecção pode levantar
algumas questões no sentido em que os rácios mais populares são os que habitualmente
estão mais sujeitos a manipulações por parte dos gestores.
As variáveis independentes ou variáveis explicativas do nosso estudo são de
natureza quantitativa e são os rácios económico-financeiros. A sua fórmula matemática
de cálculo encontra-se patenteada no Quadro 2 da definição das variáveis. Na escolha
das variáveis preditoras do incumprimento fiscal procurou-se captar as várias dimensões
de análise económico-financeira de uma empresa: liquidez, rentabilidade, estrutura ou
endividamento e actividade. Desta forma foram eleitos 8 rácios, 4 de rentabilidade, 2 de
estrutura ou endividamento, 1 de actividade (funcionamento), 1 de liquidez, os quais, de
acordo com a revisão de literatura em modelos de previsão de insolvência e em modelos
de previsão de incumprimento tributário se mostraram mais eficazes (Beaver,1966,
Altman, 1968, Ohlson, 1980; Lisowsky, 2010). As variáveis independentes do nosso
modelo são então as seguintes:
A variável retorno do activo (R1_ROA), conhecida por na terminologia anglosaxónica por Return on Assets, evidencia o potencial de geração de lucros por
parte de uma empresa em relação aos seus activos disponíveis; quanto maior for
o seu valor maior será a rentabilidade obtida pela empresa em relação aos seus
investimentos totais. Este rácio de rentabilidade, no fundo, expressa-nos o grau
de eficiência com que uma empresa usa os seus activos para gerar rentabilidade
das vendas sendo que uma empresa que apresente valores para este rácio abaixo
da média do sector pode significar que a mesma não está a gerar o volume de
vendas adequado ao investimento que realizou;
A variável conhecida por rácio de endividamento (R2
PT_ACTV)
indica-nos em
que medida a empresa utiliza capital alheio no financiamento das suas
actividades e permite avaliar o grau de dependência de terceiros e o risco
associado. Alguns autores concluíram, através de estudos empíricos, que o nível
28
de endividamento de uma empresa e a probabilidade de insolvência têm
correlação positiva (Martin (1977), Hol et al. (2002), Harris e Raviv, 1991);
A variável rentabilidade do fundo de maneio (R3 FM_ACTV) é dada pelo quociente
entre o fundo de maneio e o activo total. O fundo de maneio é um valor absoluto
podendo ser determinado segundo duas vertentes: a óptica da liquidez ou de
acordo com a óptica da origem dos capitais. O fundo de maneio é igual ao
remanescente dos capitais permanentes após financiamento do imobilizado ou
ao montante que excede o activo circulante em relação ao passivo de curto
prazo. Este rácio de rentabilidade exprime a capacidade de uma empresa gerar
fundo de maneio com os seus activos disponíveis;
A variável rentabilidade dos resultados transitados (R4
RT_ACTV)
é dada pelo
quociente entre os resultados transitados e o total do activo. Os resultados
transitados, quando apresentam valor positivo, resultam de resultados líquidos
provenientes de exercícios económicos anteriores que não foram distribuídos.
Este rácio de rentabilidade exprime-nos a capacidade da empresa para gerar
lucros acumulados com o activo disponível. A idade de uma empresa está
implicitamente considerada neste rácio, ou seja, uma empresa com poucos anos
de vida apresentará, à partida, valores para este rácio mais pequenos do que uma
empresa mais antiga;
A variável conhecida na terminologia anglo-saxónica por Earning Power (R5
EBIT_ACTV)
é um rácio de rentabilidade, que nos indica o desempenho dos
capitais totais investidos na empresa, independentemente da sua origem
(próprios ou alheios);
A variável conhecida por rácio de solvabilidade ou na terminologia anglosaxónica por Equity-to-Debt Ratio (R6
CP_PASSIVO)
indica-nos o grau de
independência financeira da empresa. Quando este rácio apresenta um valor
pequeno isto revela-nos uma grande dependência (vulnerabilidade) da empresa
em relação aos credores, situação que, ao aumentar o risco financeiro da
empresa, tem implicações na negociação de novos financiamentos e nas
eventuais renegociações de financiamentos em curso. Quando o valor do rácio é
elevado, a estabilidade financeira da empresa é maior o que significa que esta
29
tem uma maior capacidade de satisfazer os seus compromissos com meios
próprios;
A variável rácio de rotação do activo (R7
VND_ACTV)
indica-nos o grau de
utilização dos activos. Sempre que este rácio de actividade ou funcionamento é
muito elevado tal pode significar que a empresa está a funcionar perto do limite
da sua capacidade, ou seja, que está a aproveitar muito bem os investimentos
que realizou. O inverso pode significar que a mesma está a subutilizar os
recursos ao seu dispor. Este rácio só é significativo quando comparado com o de
empresas similares do mesmo sector de actividade daí a sua inclusão no presente
estudo. Uma rotação do activo total abaixo do da média da indústria significa
que a empresa não está a gerar o volume de vendas adequado ao investimento
que realizou.
A variável conhecida por rácio de liquidez imediata (R8
LI)
revela-nos a
capacidade que a empresa tem para saldar os seus compromissos de curto prazo.
Valores superiores a 1 configuram situações favoráveis já que evidenciam que a
empresa está apta a suprir as suas obrigações recorrendo aos activos de curto
prazo (como sejam caixa, bancos e aplicações de grande liquidez). O rácio
expressa-nos a capacidade que a empresa tem de pagar as dívidas correntes na
hipótese das vendas cessarem de imediato. Quanto maior for o seu valor melhor.
Diversos autores sugeriram que este indicador económico-financeiro de liquidez
ou solvência é determinante para a predição da insolvência de uma empresa
(Caouette, Altman e Narayanam, 1999)18.
De acordo com o discutido no Capítulo II e em sintonia com o referido no início
deste capítulo o presente trabalho incorpora as seguintes hipóteses de investigação:
Hipótese 1) Os rácios de rentabilidade e de actividade têm uma relação
negativa com o incumprimento fiscal.
Hipótese 2) O rácio de endividamento tem uma relação positiva com o
incumprimento fiscal.
18
Estes autores utilizaram no seu estudo o current ratio. Este rácio corresponde ao rácio de Liquidez
Geral. No nosso trabalho usamos, no entanto, o rácio de Liquidez Imediata, por considerarmos que este
rácio poderá explicar melhor o incumprimento de curto prazo.
30
Hipótese 3) O rácio de solvabilidade tem uma relação negativa com o
incumprimento fiscal.
Hipótese 4) O rácio de liquidez tem uma relação negativa com o incumprimento
fiscal.
Em consonância com as hipóteses avançadas os sinais esperados das variáveis
são os seguintes:
Tabela 5 – Sinais Esperados
Variáveis
Sinais Esperados
+
-
R1 ROA
R2 PT_ACTV
R3 FM_ACTV
R4 RT_ACTV
R5 EBIT_ACTV
R6 CP_ PASSIVO
R7 VND_ACTV
R8 LI
É expectável que as empresas cumpridoras apresentem valores médios maiores
para as variáveis de rentabilidade, de actividade e de liquidez (R1 ROA, R3 FM_ACTV, R4
RT_ACTV,
R5
EBIT_ACTV,
R6
CP_PASSIVO,
R7
VND_ACTV
e R8 LI) e que evidenciem valores
menores para a variável de endividamento (R2 PT_ACTV).
4.2.2. Constituição da Amostra
Diversos autores assinalaram a importância do factor dimensão para a
determinação da probabilidade de insolvência de uma empresa. Beaver (1968) chamou
a atenção para o facto da probabilidade de falência das empresas grandes diferir da das
empresas de menor dimensão. O tamanho de uma empresa altera a relação entre os
rácios financeiros e a insolvência podendo mesmo afirmar-se que entre duas empresas
com dimensões diferentes e com rácios financeiros de valor numérico exactamente igual
a probabilidade de insolvência não é a mesma. Ora, uma das formas de controlar ou de
compensar os efeitos da dimensão das empresas nestes estudos é através da utilização
de amostras “correspondentes”.
31
A classificação das empresas quanto à sua dimensão difere de país para país mas
está geralmente associada a grandezas como o volume de negócios ou o número de
funcionários. No caso português é utilizada a classificação europeia que divide as
empresas em cinco grupos: microempresas, pequenas empresas, médias empresas e
grandes empresas19. Para organizar as empresas em função da sua dimensão três
aspectos são fundamentais de acordo com este critério: número de trabalhadores, o
volume de negócios e o total do balanço. Os dados fornecidos pela Administração
Fiscal não contêm o número de trabalhadores. Assim, para classificar as empresas
segundo a definição europeia teríamos que assumir apenas as outras duas condições
anteriormente mencionadas. Esta opção levar-nos-ia a que a amostra em análise “caísse"
apenas no primeiro e no segundo grupo. Assim, optamos por caracterizar as empresas,
segundo a sua dimensão, utilizando o critério contabilístico20 que nos parece ser o mais
ajustado à realidade empresarial portuguesa. Com base nos critérios antes definidos foi
encontrada a distribuição dimensional das empresas conforme Tabela 6 que se apresenta
de seguida.
19
De acordo com este critério uma microempresa define-se como uma empresa que tem menos de 10
trabalhadores e simultaneamente apresenta um volume de negócios inferior a 2 milhões de euros e um
balanço também inferior a 2 milhões de euros. Uma pequena empresa é aquela que apresenta menos de 50
trabalhadores e simultaneamente um volume de negócios inferior a 10 milhões de euros e um balanço
também inferior a 10 milhões de euros. Uma média empresa é aquela que com menos de 250
trabalhadores, um volume de negócios inferior a 50 milhões de euros e um balanço também inferior a 43
milhões de euros. Uma grande empresa é a que apresenta grandezas superiores às anteriormente referidas.
20
De acordo com o conceito consignado na Lei n.º35/2010, de 2 de Setembro, são microentidades “… as
empresas que que, à data do balanço, não ultrapassem dois dos três limites seguintes:
a) Total do balanço - (euro) 500 000;
b) Volume de negócios líquido - (euro) 500 000;
c) Número médio de empregados durante o exercício - cinco.” Conforme o art.º9.º do Decreto-Lei nº158/2009, de 13 de Julho, recentemente alterado pela Lei n.º20/2010, de 23 de Agosto, são pequenas
entidades aquelas empresas que “… não ultrapassem dois dos três limites seguintes, salvo quando por
razões legais ou estatutárias tenham as suas demonstrações financeiras sujeitas a certificação legal de
contas:
a) Total de balanço: € 1 500 000;
b) Total de vendas líquidas e outros rendimentos: € 3 000 000;
c) Número de trabalhadores empregados em média durante o exercício: 50.” As restantes entidades são
aquelas empresas que não se encontram nos grupos anteriormente definidos, isto é, as que ultrapassam os
referidos valores e/ou que estão sujeitas a revisão oficial de contas.
32
Tabela 6 – Dimensão das Empresas
Dimensão/Ano
Microentidades (1)
%
2007
%
2008
%
2009
1398
82,19
1401
82,46
1351
83,97
Pequenas Entidades (2)
257
15,11
261
15,36
247
15,35
Grandes Entidades (3)
46
2,7
37
2,18
11
0,68
1701
100
1699
100
1609
100
Total (4) = (1) + (2) + (3)
A
esmagadora
maioria
das
empresas
insere-se
nas
microentidades,
concretamente, 82,19% das empresas caem neste grupo em 2007, 82,46% em 2008 e
83,97% em 2009. O segundo grupo que reúne mais empresas são as pequenas entidades
com cerca de 15,11% das empresas totais em 2007, 15,36% em 2008 e 15,35% em
2009. Finalmente, no grupo das restantes entidades, temos somente 2,7% das empresas
em 2007, 2,18% em 2008 e 0,68% em 2009.
A Tabela 7 que se apresenta de seguida evidencia o número de empresas
incumpridoras em cada um dos referidos grupos.
Tabela 7 – Repartição dos Incumpridores por Dimensão
Dimensão/Ano
2008
N.º Empresas
2009
%
N.º Empresas
2010
%
N.º Empresas
%
Microentidades (1)
64 62,75
63 56,76
52 61,18
Pequenas Entidades (2)
31 30,39
45 40,54
33 38,82
Grandes Entidades (3)
Total (4) = (1) + (2) + (3)
7
6,86
3
2,7
0
0
102
100
111
100
85
100
Verificamos que a concentração de empresas segue a ordem da tabela anterior
concentrando-se a maioria das empresas incumpridoras no grupo das microentidades:
com 62,75% dos incumpridores em 2008, 63% em 2009 e 52% em 2010. As pequenas
entidades apresentam 30,39% dos incumpridores no ano de 2008, 40,54% no ano de
2009 e 33% no ano de 2010. As restantes entidades têm uma percentagem muito
reduzida de empresas incumpridoras: com 6,86% em 2008 e 2,7% em 2009.
Na construção da amostra de modelização optou-se por seleccionar apenas as
microempresas. Esta opção sustenta-se no facto deste tipo de empresas ser altamente
representativo na população em análise. Desta forma, por cada empresa incumpridora,
seleccionou-se, de forma aleatória, dentro das microentidades, uma empresa
cumpridora. Nesta selecção escolheram-se apenas as empresas que não apresentavam
33
quaisquer missing values para as variáveis independentes. Com base nesta metodologia
obtivemos as seguintes amostras finais:
Tabela 8 – Amostra Final
Situação/Ano
2007
2008
2009
Incumpridoras (1)
49
39
41
Cumpridoras (2)
49
39
41
Total (3) = (1) + (2)
98
78
82
Segundo Hair et. al. (2009, pág.235) a análise discriminante é afectada pelo
tamanho da amostra pelo que o tamanho mínimo recomendado é de 5 observações por
variável preditora. No nosso caso vamos usar 8 variáveis explicativas pelo que é
recomendável que a amostra possua pelo menos 40 observações o que se verifica em
qualquer um dos anos em estudo.
Concluída a etapa da construção das amostras de análise ficamos em condições
de aplicar as técnicas estatísticas de análise multivariada de dados: a análise
discriminante e a regressão logística.
4.2.3. Técnicas de Estimação
Segundo Hair et al. (2009, pág.23) a análise multivariada de dados diz respeito a
“…todas as técnicas estatísticas que simultaneamente analisam múltiplas medidas sobre
indivíduos ou objectos sob investigação. Assim, qualquer análise simultânea de mais do
que duas variáveis pode ser considerada, a princípio, como multivariada”. Contudo,
estes autores chamam a atenção para o facto do termo análise multivariada não ser
utilizado na literatura de forma consistente, esclarecendo que, para uma análise ser
considerada efectivamente multivariada “…todas as variáveis devem ser aleatórias e
inter-relacionadas de tal maneira que os seus diferentes efeitos não podem ser
significativamente interpretados em separado” Os autores clarificam ainda que “…o
carácter multivariado reside nas múltiplas variáveis estatísticas (combinações múltiplas
de variáveis) e não somente no número de variáveis ou observações”. Sintetizando, a
análise multivariada de dados, consiste em avaliar, conjuntamente, num único modelo, o
efeito das variáveis independentes seleccionadas sobre a variável de resposta ou
variável que se pretende explicar.
34
A análise discriminante e a regressão logística são as técnicas estatísticas
apropriadas para modelar problemas em que a variável dependente é categórica
(nominal ou não métrica) e as variáveis independentes são métricas como se enquadra o
problema em investigação (Hair et. al., 2009, pág.224). Diversos estudos de previsão de
insolvência aplicaram estas duas técnicas com bons resultados (Lussier, 1994; Lizal,
2002). Outros estudos demonstraram a adequabilidade desta técnica à previsão do
incumprimento tributário (Neves, 1997; Lisowsky, 2010; Back et. al., 2010). A sua
adopção na presente investigação encontra-se assim justificada. Vejamos então de
seguida em que consistem estas duas técnicas bem como as vantagens e desvantagens
da sua utilização ao problema que aqui pretendemos modelizar.
Análise Discriminante
De acordo com Klecka (1980) a análise discriminante é uma técnica estatística
que permite ao investigador estudar as diferenças entre dois ou mais grupos de objectos
a respeito de múltiplas variáveis simultaneamente. A análise discriminante serve assim
para determinar se existe uma combinação ponderada das variáveis que permita
discriminar com fiabilidade os grupos em estudo. À combinação linear das variáveis
preditoras chama-se função discriminante.
O objectivo desta técnica estatística é então o de maximizar a variância entre
grupos e minimizar a variância dentro de cada um dos grupos. Existem, normalmente,
duas etapas distintas na utilização da análise discriminante: a primeira procura
identificar e interpretar as diferenças existentes entre os grupos de forma a desenvolver
a função discriminante que possa predizer com fiabilidade a pertença de um dado
elemento a um desses grupos (análise discriminante descritiva) e a segunda debruça-se
sobre as regras que permitem classificar indivíduos de origem desconhecida num dos
grupos existentes (análise discriminante preditiva).
Maroco (2007) assinala que a análise discriminante multivariada tem como
objectivos: (1) identificar as variáveis que melhor diferenciam entre dois ou mais
grupos de indivíduos estruturalmente diferentes e mutuamente exclusivos; (2) utilizar as
variáveis assim encontradas para criar um índice ou função discriminante que represente
de forma parcimoniosa as diferenças entre os grupos; e (3) utilizar a referida função
discriminante para classificar a priori novos indivíduos nos grupos.
35
Esta técnica estatística assenta, porém, em pelo menos três premissas
importantes a saber: a primeira estabelece que nenhuma das variáveis discriminantes
poderá
ser
uma
combinação
linear
de
outras
variáveis
discriminantes
(multicolinariedade), a segunda impõe que os dois grupos tenham a mesma matriz de
variância e de co-variância (homocedasticidade), e, a terceira, exige que as distribuições
de frequência dos dois grupos de variáveis tenham um comportamento similar à curva
normal (normalidade multivariada - Virgillito e Famá, 2008). Não obstante estas
imposições, diversos autores têm afirmado, que uma ligeira violação destas regras,
nomeadamente, a que diz respeito à distribuição destas variáveis, pode ser tolerada sem
perda significativa de capacidade de previsão do modelo. Por seu lado Altman (1978)
assinalaram por que a multicolinariedade entre as variáveis independentes não
representa qualquer problema para a análise discriminante multivariada.
A análise discriminante revela-se assim uma técnica adequada ao problema em
questão.
Regressão Logística
O modelo logit baseia-se na função logística, a qual, surgiu em 1945 ligada a
problemas de crescimento demográfico tendo, a partir dos anos 60, começado a ser
aplicada a problemas de natureza social e económica. Segundo Hair et. al. (2009) a
regressão logística, também conhecida por análise logit, é uma forma particular de
regressão na qual a variável dependente é não métrica. A variável dependente é então
inserida através do uso de uma variável dummy que assume (dicotómica ou binária) o
valor 0 para indicar a ausência de um determinando atributo (no caso do nosso estudo a
falta de incumprimento fiscal). Esta técnica estatística tem como objectivo produzir, a
partir de um conjunto de observações, um modelo que permita a predição de valores
tomados por uma variável categórica, a partir de uma série de variáveis explicativas
contínuas e/ou binárias. Este tipo de regressão revela-se útil para modelar problemas
que consistem em determinar a probabilidade de um evento ocorrer como função de
outros factores como é o caso do problema que iremos tratar.
A regressão logística é equivalente à análise discriminante de dois grupos. Lo
(1986) refere no entanto que modelo logit é mais robusto que a análise discriminante
uma vez que este é aplicável a outras distribuições que não a normal. Outra das
vantagens que esta técnica apresenta relativamente à anterior é a de permitir a inclusão
36
de variáveis qualitativas ou não métricas nas variáveis explicativas possibilitando a
utilização de informação não financeira o que é importante já que estudos recentes
relativos a modelos de previsão de insolvência assinalam a importância que a inserção
deste tipo de variáveis tem no incremento da capacidade preditiva dos modelos
(Lehmann (2003) e Grunet et. al. (2004).
O objectivo da regressão logística é então o de expressar uma função estatística
multivariada, que, com base nas variáveis independentes utilizadas, seja capaz de
classificar e prever a que grupo pertence determinado objecto e o impacto de cada
variável explicativa neste objectivo. De acordo com Gujarati (2000) a função de
distribuição logística é dada pela seguinte expressão:
Zi = β0 + β1X1 + β2X2 + … + βiXi + εi
(1)
Onde:
Zi – representa a variável dependente;
βi – coeficientes da regressão;
Xi – representa as variáveis independentes;
εi – termo de erro estocástico.
Para determinados valores das variáveis independentes do indivíduo i a
regressão logística calcula directamente a probabilidade condicional de Zi ser igual a 1
que, no caso em estudo, será a probabilidade de uma empresa ser incumpridora fiscal,
podendo esta ser representada pela seguinte fórmula:
P(Y 1)
1
1 e
z
(2)
)
A aplicação do modelo Logit à temática da previsão da insolvência requer duas
etapas (1) Em primeiro lugar, calcula-se os rácios financeiros, (2) Em segundo lugar,
cada rácio é multiplicado pelo respectivo coeficiente resultante da estimação, o qual
pode ser positivo ou negativo, sendo que os valores daí resultantes são adicionados (Z),
e, finalmente, a probabilidade de falência de uma empresa é calculada como o inverso
de (1 +  z ) (Stickney, 1996).
37
A regressão logística é actualmente a técnica estatística mais utilizada na
modelação de problemas de insolvência já que se apresenta mais robusta relativamente
a outras técnicas (Henley (1995), Yobas e Ross (2000).
Atendendo a todos os aspectos acima referidos consideramos que o modelo de
regressão logística é indicado para a realização do presente estudo.
No capítulo que se segue apresentam-se e discutem-se os resultados univariados
e multivariados deste estudo.
38
CAPÍTULO 5: Resultados
Este ponto tem como objectivo apresentar as estatísticas descritivas, expor os
modelos obtidos com a aplicação das técnicas estatísticas anteriormente explanadas e
discutir os resultados obtidos. No primeiro subcapítulo apresentam-se e comentam-se as
estatísticas descritivas para algumas das variáveis inseridas no modelo. O segundo
subcapítulo apresenta e avalia os resultados obtidos a partir dos modelos de estimação21.
5.1. Resultados Univariados
O presente subcapítulo tem como desiderato efectuar uma breve análise
descritiva de cada algumas das variáveis em estudo de forma a ser possível uma melhor
compreensão das suas características e do seu comportamento ao longo dos anos em
observação. Para cada uma das variáveis foram calculadas as medidas de tendência
central, as medidas de dispersão ou variabilidade e as medidas de assimetria e curtose.
Para o cálculo destas medidas estatísticas foi utilizada a amostra inicial antes e após o
tratamento preliminar dos dados. Os resultados que comentamos de seguida, e que se
encontram evidenciados na Tabela 9 referem-se à amostra após tratamento de outliers,
no entanto, e para uma maior percepção da influência dos referidos valores nas
estatísticas apresenta-se de seguida, para a variável R1, as medidas estatísticas antes e
após os valores discrepantes.
A variável R1_ROA, retorno do activo, apresenta valores médios negativos e
relativamente estáveis para os três anos em estudo. Este facto é compreensível se
tivermos em conta que o numerador deste rácio são os Resultados Líquidos e que estes
conforme já abordado anteriormente apresentam valores agregados negativos para todos
os anos em causa. Ao nível das medidas de dispersão ou variabilidade constata-se que o
coeficiente de variação se encontra acima de 30% o que nos indica que o conjunto de
dados em estudo poderá não ser homogéneo. Cabe aqui sublinhar que de 2007 para
2009 se verifica uma diminuição significativa deste coeficiente, no entanto, o mesmo
mantém-se acima dos 30%. Em termos de assimetria concluímos que a distribuição de
21
De referir que para o cálculo dos resultados utilizamos o software SPSS® - Statistical Package for
Social Sciences, Versão 18.
39
frequências para esta variável nos três anos é assimétrica à direita ou positiva já que a
mediana é superior à média. O coeficiente de achatamento, inferior a 0,263, para 2007 e
para 2009, indica-nos que a distribuição para estes anos é leptocúrtica ou seja muito
alongada isto é possui altura superior à da curva normal. Para o ano de 2008 o
coeficiente de achatamento evidencia-nos que a curva de distribuição é platicúrtica isto
é apresenta-se mais achatada ou com altura inferior à curva de distribuição normal.
Analisando as medidas descritivas para a variável de R1_ROA antes do tratamento dos
outliers é notória a diferença de valores. Desde logo verifica-se a existência de uma
discrepância muito grande nos valores da média ao longo dos anos em estudo: a
variável evidencia uma média negativa de 13% em 2007, de 585% em 2008 e de 15%
em 2009. O desvio-padrão, em 2008, apresenta um valor bastante elevado, de 203,90%,
evidenciando uma grande variabilidade dos dados em torno da média. Repare-se que o
valor desta medida cai abruptamente para 8% após o tratamento dos outliers. O mesmo
acontece às restantes medidas, por exemplo, o coeficiente de variação negativo passa de
348,4% para 6,5%. No que concerne às restantes variáveis o comportamento das
estatísticas descritivas após a eliminação dos valores discrepantes foi semelhante.
A variável R2, rácio do endividamento, apresenta valores médios para os três
anos, na ordem dos 80%, o que significa que as empresas em estudo se encontram a
recorrer fortemente a capital alheio para se financiarem. Em termos de dispersão o
coeficiente de variação, na ordem dos 42%, indica-nos que os dados em causa poderão
não ser homogéneos. Ao nível de assimetria a curva de distribuição de frequências para
este indicador apresenta-se para os três anos assimétrica à direita e em termos de curtose
é leptocúrtica.
A variável R3, que representa a rentabilidade do activo medido pelo Fundo de
Maneio, apresenta sempre valores positivos ao longo dos três anos evidenciando um
forte incremento de 2008 para 2009. Com efeito, para 2007, a média deste indicador é
de 9,01%, para 2008 o valor sofre uma ligeira quebra situando-se nos 8,249%, mas, em
2009 o rácio regista um forte acréscimo cifrando-se em 30,45%. À semelhança das
anteriores variáveis o coeficiente de variação assume valores para os anos em estudo
superiores a 30%. A curva de distribuição de frequências também se afasta da
normalidade sendo assim assimétrica à direita.
40
A variável R5, conhecida por Earning Power, apresenta valores médios
pequenos e relativamente estáveis para os anos em análise. O coeficiente de variação
indica-nos uma grande heterogeneidade dos dados e sofre um agravamento significativo
de 2008 para 2009 passando de 133% para 313,7%. Pela análise aos valores da média e
da mediana é perceptível que também para esta variável não se verifica a normalidade
na sua distribuição. Os coeficientes de achamento para os três anos indicam-nos que as
curvas de distribuição são leptocúrticas.
A variável R8, rácio de liquidez imediata, evidencia valores médios
relativamente estáveis para os três anos. Ao contrário das restantes variáveis apresenta
uma distribuição de frequências assimétrica mas à esquerda conforme se pode constatar
pelos valores superiores da média em relação à mediana. Em termos de achatamento
esta variável caracteriza-se por ser platicúrtica já que o valor do coeficiente se encontra
acima de 2,63.
Tabela 9 – Estatísticas Descritivas
Em suma, face aos resultados explanados nos parágrafos precedentes pode
concluir-se que, de uma maneira geral, e não obstante se terem eliminado os outliers
severos, os dados apresentam alguma variabilidade em torno da média, o que é de facto
corroborado pelos coeficientes de variação sempre superiores a 30%.
41
5.2. Resultados Multivariados
O presente subcapítulo apresenta os modelos e os resultados obtidos com a
análise discriminante e com a regressão logística. Na primeira secção apresenta-se os
modelos estimados, para cada um dos anos em estudo, com a análise discriminante e
procede-se à discussão dos resultados. Na segunda secção expõem-se os modelos
alcançados com a aplicação da regressão logística e comentam-se os resultados obtidos
com os mesmos.
5.2.1. Análise Discriminante
Antes da estimação do modelo reservamos uma parte da amostra para posterior
validação dos resultados e análise do grau de precisão do modelo. Este método de
validação da função discriminante é chamado de abordagem de partição da amostra ou
validação cruzada e segundo Hair et al. (2009) consiste na divisão da amostra em duas
sub-amostras: uma parte, a amostra de análise, serve para a estimação da função
discriminante, e, a outra parte, a amostra de teste, serve para validar os resultados22 23.
Em termos de inserção das variáveis independentes, e uma vez que o número de
variáveis preditoras não é elevado, optamos por utilizar o método de estimação
simultânea, o qual, se caracteriza por incorporar no modelo todas as variáveis em estudo
ao mesmo tempo24. Este método também é adequado quando o que pretendemos é
avaliar um conjunto de variáveis preditoras já conhecidas em termos teóricos como
determinantes do problema em estudo.
22
Grupo de casos usado para estimar a (s) função (ões) discriminante (s) ou os modelos de regressão
logística. Quando se constroem matrizes de classificação a amostra original é dividida aleatoriamente em
dois grupos, um para estimação do modelo (a amostra de análise) e o outro para validação (amostra de
teste (Hair, 2009, pág.222).
23
No software SPSS® - Statistical Package for Social Sciences, Versão 18 foi em primeiro lugar activado
o gerador de números aleatórios (Fixed Value: 2000000), e seguidamente, instruímos o sistema para criar
uma nova variável, a validate, para que esta discriminasse as empresas que iriam servir para estimar a
função discriminante e as empresas que iriam servir para validação (distribuição de Bernoulli, com
valores entre 0 e 1 e com probabilidade de 0,7).
24
A estimação de uma função discriminante ou de um modelo logit num único passo designa-se por
estimação simultânea (método standard ou enter). Neste método os pesos para todas as variáveis
independentes são calculados simultaneamente. Este método difere da estimação stepwise em que as
variáveis explicativas entram no modelo sequencialmente de acordo com o poder discriminante (Hair,
2009, pág.223).
42
Ano de 2007
Para o ano de 2007 a função discriminante encontrada é a seguinte25:
Z=1,581-8,039R1+2,040R2-1,938R3+1,996R4+7,623R5-0,354R6+0,212R7-0,144R8
Com o ponto de corte óptimo26:
Z SC 2007
40 0,544 35 0,621
40 35
3,33
O ponto de corte óptimo representa o valor a partir do qual uma empresa é
considerada cumpridora em termos fiscais. Assim uma empresa que exibe um valor
superior a 3,33 será classificada no grupo dos cumpridores. Inversamente uma empresa
que apresente um score abaixo de 3,33 cairá no grupo dos incumpridores.
Variáveis independentes com maior poder discriminatório (interpretação dos
coeficientes)
Os sinais dos coeficientes discriminantes permitem-nos aferir a contribuição
positiva ou negativa de cada uma das variáveis para a variável dependente. Assim, os
sinais dos coeficientes das variáveis de resultados transitados (R4
RT_ACTV),
earning
power (R5 EBIT_ACTV) e de rotação do activo (R7 VND_ACTV) não nos permitem confirmar a
hipótese 1 de que os rácios de rentabilidade têm uma relação negativa com o
incumprimento fiscal. Os sinais dos coeficientes discriminantes das variáveis de
25
Para a estimação desta função utilizou-se uma amostra de análise constituída por 75 empresas (ou seja
76,5% da amostra) correspondendo a 35 empresas incumpridoras e 40 cumpridoras. As restantes 23
empresas (23,5% da amostra) constituem a amostra de teste e foram reservadas para validar o modelo.
Não se observam missing values uma vez que amostra foi construída sobre o pressuposto de todas as
variáveis terem valores para todos os rácios seleccionados.
26
Para o cálculo do ponto de corte óptimo utilizaram-se os centróides de cada uma das funções
discriminantes. Os centróides indicam-nos a magnitude das diferenças entre os membros de cada grupo e
mostram-nos o quão afastados estão os grupos em termos de função discriminante. Uma medida de
sucesso da análise discriminante é a sua capacidade em definir uma função discriminante que resulte em
centróides de grupos significantemente diferentes (Hair et. al., 2009). Em 2007 o centróide para o grupo
das empresas cumpridores é de -0,544 e o centróide para o grupo das empresas incumpridores é de 0,621.
Assim verifica-se que os centróides se encontram bastante afastados o que significa que a função está a
discriminar bem entre os grupos. Uma vez que neste caso os grupos são desiguais no tamanho o ponto de
corte óptimo é calculado pela média ponderada dos centróides de cada um dos grupos.
43
endividamento (R2 PT_ACTV), solvabilidade (R6
CP_PASSIVO)
e liquidez (R8 LI) permitem-
nos confirmar a hipótese 2, a hipótese 3 e a hipótese 4 respectivamente. Alguns autores
afirmam que os sinais inesperados dos coeficientes podem ser provocados pelo carácter
multivariado desta técnica estatística (Ooghe & Verbaere, 1985). Esquematicamente
temos:
Tabela 10 - Sinais dos Coeficientes versus Hipóteses (2007)
Variáveis Independentes
R1 ROA
R2 PT_ACTV
R3 FM_ACTV
R4 RT_ACTV
R5 EBIT_ACTV
R6 CP_ PASSIVO
R7 VND_ACTV
R8 LI
Sinais Coeficientes
Hipóteses
Esperados Estimados Emitidas Estimadas
H1
Sim
+
+
H2
Sim
H1
Sim
+
H1
Não
+
H1
Não
H3
Sim
+
H1
Não
H4
Sim
Pela análise da Tabela 11 que apresenta as estatísticas descritivas para os dois
grupos pode-se afirmar que todas as variáveis, com excepção do retorno do activo (R7
VND_ACTV)
exibem, em média, valores melhores para o grupo dos cumpridores do que
para o grupo dos incumpridores, o que de facto está em consonância com o é expectável
em termos económicos. A variável de retorno do activo, contrariamente ao que seria
esperado, apresenta valores médios melhores no grupo dos incumpridores. Para avaliar
quais as variáveis com uma maior capacidade de contribuição individual para a
maximização da distinção das características de cada um dos grupos efectuamos o teste
de igualdade entre as médias. As variáveis de endividamento (R2 PT_ACTV), de fundo de
maneio (R3
FM_ACTV)
e solvabilidade (R6
CP_PASSIVO)
são as que revelam poder
discriminante estatisticamente significativo já que a hipótese nula das médias entre os
grupos serem iguais é rejeitada para um nível de significância de 0,05 (p-value (Sig.) <
α=0,05).
44
Tabela 11 – Estatísticas descritivas e teste de igualdade das médias de grupos (2007)
Variáveis
Independentes
Médias de Grupos
Cumpridores
Incumpridores
DesvioDesvioMédia
Média
Padrão
Padrão
R1 ROA
-,013309 ,0658161
R2 PT_ACTV
,728868 ,2549165
R3 FM_ACTV
,220318 ,2997672
R4 RT_ACTV
-,063423 ,2345671
R5 EBIT_ACTV
,010861 ,0708003
R6 CP_ PASSIVO
,577294 ,6502358
R7 VND_ACTV
,661955 ,4051794
R8 LI
,123308 ,1427493
Nota: *, ** e *** indicam que os coeficientes
de 10%, 5% e 1% respectivamente.
Teste de Igualdade de Médias de
Grupos
Lambda Estatística
de Wilk
F df1 df2
Sig.
-,030630 ,0779770
,985
1,088
1
73
,300
,929651 ,2102217
,843
13,608
1
73
,000 ***
-,040460 ,3003805
,838
14,100
1
73
,000 ***
-,080733 ,2014318
,998
,116
1
73
,735
,006450 ,0868901
,999
,059
1
73
,809
,138619 ,3075060
,846
13,308
1
73
,000 ***
,747099 ,5228307
,991
,629
1
73
,430
,095470 ,1339363
,990
,752
1
73
,389
estimados são estatisticamente significativos a um nível de significância
Os resultados não significativos das outras variáveis podem ser explicados pela
presença de outras variáveis, da mesma categoria, que melhor expliquem o problema
em estudo. Por exemplo as variáveis de rentabilidade do activo (R1 ROA), de resultados
transitados (R4
RT_ACTV)
e de earning power (R5
EBIT_ACTV)
podem estar a ser
representadas pela variável de fundo de maneio (R3 FM_ACTV).
Finalmente, a relativa contribuição de cada uma das variáveis pode ser vista na
Tabela 12 que se apresenta de seguida. As correlações de estrutura (ou cargas
discriminantes) reflectem a variância que as variáveis independentes compartilham com
a função discriminante e estão ordenadas na Tabela infra pela magnitude da sua
contribuição.
Tabela 12 – Correlações de estrutura (2007)
Variáveis
Independentes
R1 ROA
Cargas Discriminantes
Carga
Ordenação
-,207
4
R2 PT_ACTV
R3 FM_ACTV
,733
-,746
R4 RT_ACTV
R5 EBIT_ACTV
-,068
-,048
R6 CP_ PASSIVO
R7 VND_ACTV
-,725
,158
R8 LI
-,172
2
1
7
8
3
6
5
Conforme podemos constatar as variáveis com maior contribuição, em termos
absolutos, são justamente as variáveis com poder individual estatisticamente
45
significativo, ou seja, as variáveis de fundo de maneio, de endividamento e de
solvabilidade. Com menor contribuição aparecem a variável de resultados transitados e
o earning power.
Avaliação das suposições da análise discriminante
Antes de se apresentarem e comentarem os resultados classificativos do modelo
é pertinente perceber (avaliar) se a amostra utilizada respeita as três suposições
restritivas mais importantes desta técnica estatística: (1) normalidade multivariada de
distribuição das variáveis independentes (2) ausência de multicolinariedade e (3)
homogeneidade da matriz de covariância em cada um dos grupos.
Os resultados do teste de Kolmogorov-Smirnov27, patenteados no Quadro 928,
revelam-nos que a maioria das variáveis não segue uma distribuição normal. De facto
para as variáveis de rentabilidade do activo (R1
RT_ACTV),
ROA),
de resultados transitados (R4
de solvabilidade (R6 CP_PASSIVO) e de rotação do activo (R7 VND_ACTV) rejeita-se
a hipótese nula dos rácios terem uma distribuição normal no grupo dos cumpridores e
no grupo dos incumpridores (todos os p-value(Sig.)<α=0,05). As variáveis fundo de
maneio (R3 FM_ACTV) e earning power (R5 EBIT_ACTV) apresentam normalidade em apenas
um dos grupos. Finalmente a variável de endividamento (R2
PT_ACTV)
é a única a
evidenciar uma distribuição normal em ambos os grupos. É importante sublinhar que a
normalidade multivariada requer a priori normalidade univariada (Karels & Prakash,
1987). Refere Hair et al. (2009) que uma das vantagens que a análise discriminante
apresenta em relação a outras técnicas é precisamente a sua robustez no sentido em que,
mesmo que estejam presentes variáveis que não estejam normalmente distribuídas, os
27
O teste de Kolmogorov-Smirnov também conhecido por Teste K-S é um teste não paramétrico. Este
teste é usado para decidir se a distribuição da variável sob estudo numa determinada amostra provém de
uma população com uma distribuição específica (no nosso interessa-nos saber se provém de uma
distribuição normal). É conveniente referir que para o cálculo da estatística deste teste assume-se que os
parâmetros populacionais da média e do desvio-padrão são conhecidos. No entanto esta situação é pouco
comum já que na maioria dos casos o melhor que se consegue é uma amostra representativa da população
a partir da qual inferimos os verdadeiros valores da média e do desvio-padrão. Para corrigir este problema
H. Lilliefors propôs uma correcção às tabelas com os valores críticos da distribuição K-S (correcção de
Lilliefors). Esta correcção deve ser utilizada quando comparamos a distribuição de frequências
acumuladas das observações da variável com uma distribuição teórica cujos parâmetros foram estimados
a partir da mostra. Os valores produzidos para este teste pelo SPSS incorporam a referida correcção
(Maroco, 2007, págs.134 e 135).
28
No Quadro 9 podemos constatar a existência do teste Shapiro-Wilk. Este teste, que é uma alternativa ao
teste K-S, é particularmente apropriado para amostra de pequena dimensão (i.e., n<30). O SPSS produz o
p-value para este teste sempre que a dimensão da amostra é menor ou igual a 50 como é o caso em estudo
(Maroco, 2007, págs. 135 e 136).
46
resultados da análise são válidos, já que o sucesso do modelo depende mais da sua
capacidade em separar os grupos correctamente do que de outros aspectos.
Outro facto importante a levar em consideração é a correlação entre as variáveis.
A existência de multicolinearidade pode de facto traduzir-se em problemas de
estimação do modelo uma vez que o alto grau de associação entre duas ou mais
variáveis independentes torna difícil distinguir os efeitos individuais de cada uma delas
sobre a variável dependente. Para avaliar a segunda suposição analisamos a matriz de
correlações. Pelos resultados da Tabela 13 conclui-se existir uma forte correlação entre
algumas das variáveis usadas no modelo das quais destacamos retorno do activo (R1_
ROA)
com earning power (R5
solvabilidade (R6
CP_PASSIVO)
EBIT_ACTV)
(0,906) e endividamento (R2
PT_ACTV)
com
(0,901). Esta circunstância deriva do facto das grandezas
usadas para cálculo destas variáveis serem comuns aos dois indicadores associados (por
exemplo no caso da rentabilidade do activo (R1 ROA) e do earning power (R5 EBIT_ACTV)
foi usado o denominador comum Activo). Benishay (1971) e Lev (1978) defendem que
o efeito da multicolinearidade não deve ser sobrestimado, sendo preferível, de uma
maneira geral, incorporar no modelo a variável em causa já que desta forma aumentarse-á o seu poder preditivo que é o principal objectivo do investigador. No caso em
estudo foram retiradas as variáveis da rentabilidade do activo e do earning power que
apresentavam forte correlação tendo-se constatado uma redução significativa na
capacidade explicativa do modelo. Deste modo, e seguindo os mencionados estudos,
foram mantidas as referidas variáveis no modelo.
Tabela 13 – Correlação entre Variáveis Independentes (2007)
R1
R2
R3
R4
R5
R6
R7
Variáveis Independentes
R1 ROA
1,000
R2 PT_ACTV
-,302
1,000
R3 FM_ACTV
,198
-,500
1,000
R4 RT_ACTV
,323
-,491
,377
1,000
R5 EBIT_ACTV
,906
-,267
,169
,313
1,000
R6 CP_ PASSIVO
,250
-,901
,444
,419
,183
1,000
R7 VND_ACTV
,207
-,117
,132
,379
,281
,069
1,000
R8 LI
,222
-,141
,214
,206
,136
,087
,156
R8
1,000
47
Finalmente a terceira suposição foi avaliada pelo teste M de Box. Os resultados,
evidenciados na Tabela 14, rejeitam a hipótese nula das matrizes de variância e covariância serem homogéneas a um nível de significância de 5%.
Tabela 14 - Teste M de Box (2007)
Concluímos, portanto, que outra das premissas desta técnica estatística está a ser
violada pelo que os resultados finais do modelo poderão não ser tão significativos.
Avaliação do Ajustamento Geral do Modelo e Precisão Preditiva
Os resultados exibidos na Tabela 15 permitem-nos aferir o ajuste geral do
modelo. O valor próprio ou eigenvalue é uma medida do grau em que a função
discriminante realmente diferencia entre as categorias em análise. Como no caso em
estudo existe apenas uma função a variância da diferença entre os grupos é de 100%.
Salienta-se que, segundo Hair et. al. (2009), a correlação canónica determina o quanto,
em termos percentuais, a função explica a discriminação entre os grupos, devendo, para
tal, elevar-se o resultado da mesma ao quadrado. Assim, tem-se que 0,5082=0,258
donde se conclui que a função explica apenas 25,8% da discriminação entre os grupos.
Para testar a significância da função discriminante foi efectuado o teste de
Lambda de Wilk. O objectivo deste teste é de não aceitar a hipótese nula de que a média
populacional entre os dois grupos seja igual uma vez que, sendo diferente, as mesmas
discriminam melhor entre os grupos. O resultado mostrado na Tabela infra permite-nos
rejeitar a hipótese nula uma vez que o p-value(Sig.) se revela inferior ao nível de
significância estabelecido de 5%.
Tabela 15 – Ajustamento Geral do Modelo (2007)
Função
1
ValorPróprio
,347a
% de Variância
Correlação Lambda de
QuiWilks
Quadrado
Função
Cumulativo Canónica
100,0
100,0
,508
,742
20,551
df
Sig.
8
,008
a. First 1 canonical discriminant functions were used in the analysis.
48
Finalmente, em termos de avaliação da precisão preditiva da função
discriminante, e analisando os resultados evidenciados na Tabela 16, percebe-se que o
modelo classificou correctamente 74,7% das empresas com um erro de previsão do Tipo
I de 17,1% (6 empresas incumpridoras incorrectamente classificadas em 35) e com um
erro de previsão do Tipo II maior de 32,5% (13 empresas cumpridoras em 40
incorrectamente classificadas). Os resultados alcançados com a amostra de validação
não foram tão elevados já que apenas 69,6% dos casos foram correctamente
classificados tendo-se obtido um erro do Tipo I de 44,4% (4 empresas incumpridoras
em 9 foram mal classificadas) e um erro do Tipo II de 21,4% (3 empresas cumpridoras
em 14 mal classificadas).
Tabela 16 – Matriz de Classificação abc 29 (2007)
Amostra
Amostra de
Análise
Original
Casos
Grupo Real
Casos
Cumpridores
Incumpridores
Cumpridores
Incumpridores
Cumpridores
Incumpridores
Cumpridores
Incumpridores
Cumpridores
Incumpridores
Cumpridores
Incumpridores
%
Validação
Cruzadad
Casos
%
Amostra de Teste Original
Casos
%
Grupo Previsto
Total
Cumpridores
Incumpridores
27
13
40
6
29
35
67,5
32,5 100,0
17,1
82,9 100,0
25
15
40
10
25
35
62,5
37,5 100,0
28,6
71,4 100,0
11
3
14
4
5
9
78,6
21,4 100,0
44,4
55,6 100,0
a. Validação cruzada é feita apenas para os casos da análise. Na validação cruzada cada caso é classificado pelas funções derivadas de
todos os casos distintos daquele.
b. 74,7% dos casos da amostra de análise correctamente classificados.
c. 69,6% dos casos da amostra de teste correctamente classificados.
d. 66,7% dos casos da amostra de análise após validação cruzada correctamente classificados.
Ano de 2008
Para o ano de 2008 a função discriminante encontrada é a seguinte30:
Z=-1,32+32,742R1+1,102R2+2,063R3-2,437R4-30,804R5+1,094R6+0,506R7+1,395R8
Com o ponto de corte óptimo31:
29
Na validação cruzada cada caso é classificado com as funções de classificação deduzidas sem esse
caso.
30
Para a estimação desta função foram usadas 60 empresas da amostra (ou seja 76,9%). As restantes 18
empresas (23,1%) foram reservadas para testar o modelo.
49
Z SC 2008
28 0,947 32 0,829
28 32
3,33
Os sinais dos coeficientes da função discriminante permite-nos concluir que o
rácio de endividamento tem também para este ano uma relação positiva com o
incumprimento fiscal. As restantes hipóteses de investigação não são confirmadas para
2008.
As estatísticas dos grupos, constantes da Tabela 17, permitem-nos verificar,
como já era esperado, que as variáveis do endividamento (R2
transitados (R4 RT_ACTV), de solvabilidade (R6
PT_ACTV)
PT_ACTV),
de resultados
e de liquidez (R8 LI) apresentam,
em média, valores melhores no grupo dos cumpridores do que no grupo dos
incumpridores. Ao invés, cabe aqui sublinhar, que as variáveis de rentabilidade do
activo, do fundo de maneio (R3
FM_ACTV)
e o earning power (R5
EBIT_ACTV)
não
apresentam o comportamento expectável já que evidenciam valores melhores em
empresas incumpridoras.
O teste de igualdade entre as médias revela-nos que as variáveis estatisticamente
significativas em termos de poder discriminatório individual para este ano são as
variáveis de endividamento, de rentabilidade de fundo de maneio, de solvabilidade e de
liquidez (todos os p-value(Sig.)<α=0,05).
Tabela 17 – Estatísticas descritivas e teste de igualdade das médias de grupos (2008)
R1 ROA
R2 PT_ACTV
Médias de Grupos
Cumpridores
Incumpridores
DesvioDesvioMédia
Média
Padrão
Padrão
-,014108 ,0893965
-,047368 ,0926116
,739445 ,2946486
,917336 ,2550758
R3 FM_ACTV
R4 RT_ACTV
,256408
-,057249
,3448159
,2728696
-,072554
-,049840
,3263289
,2067415
,801
1,000
R5 EBIT_ACTV
R6 CP_ PASSIVO
-,000168
,594897
,0922575
,6776336
-,013204
,181616
,1016547
,3664670
,747981
,151696
,4834762
,1574515
,735565
,058710
,4260083
,1027534
Variáveis
Independentes
R7 VND_ACTV
R8 LI
Teste de Igualdade de Médias de Grupos
Lambda Estatística
de Wilk
F
,967
1,989
,902
6,285
df1
1
1
df2
58
58
14,395
,014
1
1
58
58
,995
,867
,268
8,933
1
1
58
58
1,000
,885
,011
7,514
1
1
58
58
Sig.
,164
,015 **
,000 ***
,905
,607
,004 ***
,916
,008 ***
Nota: *, ** e *** indicam que os coeficientes estimados são estatisticamente significativos a um nível de significância
de 10%, 5% e 1% respectivamente.
31
O valor do centróide do grupo das empresas cumpridoras é de 0,947 e o centróide para o grupo das
empresas incumpridoras é de -0,829 pelo que se conclui que a função discriminante está a discriminar
bem os grupos.
50
Em termos de verificação dos pressupostos da análise discriminante
constatamos, como já era expectável, (1) a existência de forte correlação entre algumas
variáveis independentes (R1 com R5; R2 com R3, R4 e R6; e R4 com R6 - Tabela 18) (2) a
não normalidade (ver resultado do teste K-S – Quadro 10) e (3) a não validade do
pressuposto de homogeneidade das matrizes de variância e covariância (M=80,266; F
(36, 10892,396) =1,898; p-value=0,001<α=0,05).
Tabela 18 – Correlações entre Variáveis Independentes (2008)
R1
R2
R3
R4
R5
R6
R7
Variáveis
R1 ROA
1,000
R2 PT_ACTV
-,393
1,000
R3 FM_ACTV
,189
-,683
1,000
R4 RT_ACTV
,164
-,617
,487
1,000
R5 EBIT_ACTV
,976
-,401
,177
,149
1,000
R6 CP_ PASSIVO
,289
-,907
,533
,564
,289
1,000
R7 VND_ACTV
,105
,002
-,198
,012
,160
,094
1,000
R8 LI
,227
-,307
,283
,231
,236
,387
,229
R8
1,000
Ao nível da avaliação do ajustamento geral do modelo verifica-se que a função
discriminante explica cerca de 44,89% da diferenciação entre os grupos (0,6702=0,4489,
i.e., resultado da correlação canónica ao quadrado) e que a mesma está a discriminar
bem entre os grupos já que hipótese nula das médias entre os grupos serem iguais é
rejeitada (λ=0,552; Qui-Quadrado=32,110; p-value=0,000<α=0,05).
Por fim, pela Tabela 19, constata-se que a função classificou correctamente
81,7% dos casos com um erro de previsão do Tipo I de 18,8% (6 empresas
incumpridoras em 32 incorrectamente classificadas) e com um erro de previsão do Tipo
II menor de 17,9% (5 empresas cumpridoras em 28 mal classificadas). A aplicação da
função discriminante à amostra de teste apresenta resultados melhores com uma
percentagem de casos correctamente classificados de 88,9%.O erro de previsão do Tipo
I mantém-se superior ao erro de previsão do Tipo II.
51
Tabela 19 – Matriz de Classificaçãoabc (2008)
Amostra
Amostra de Análise
Original
Casos
Grupo Real
Casos
Cumpridores
Incumpridores
Cumpridores
Incumpridores
Cumpridores
Incumpridores
Cumpridores
Incumpridores
Cumpridores
Incumpridores
Cumpridores
Incumpridores
%
Validação
Cruzadad
Casos
%
Amostra de Teste
Original
Casos
%
Grupo Previsto
Cumpridores
Incumpridores
23
5
6
26
82,1
17,9
18,8
81,3
19
9
9
23
67,9
32,1
28,1
71,9
10
1
1
6
90,9
9,1
14,3
85,7
Total
28
32
100,0
100,0
28
32
100,0
100,0
11
7
100,0
100,0
a. Validação cruzada é feita apenas para os casos da análise. Na validação cruzada cada caso é classificado pelas funções derivadas de
todos os casos distintos daquele.
b. 81,7% dos casos da amostra de análise correctamente classificados.
c. 88,9% dos casos da amostra de teste correctamente classificados.
d .70,0% dos casos da amostra de análise após validação cruzada correctamente classificados.
Ano de 2009
Para o ano de 2009 a função discriminante encontrada é a seguinte32:
Z=-9,999+38,051R1+0,772R2+0,266R3+2,066R4+39,856R5-0,782R6-0,265R7-1,119R8
Com o ponto de corte33:
Z SC 2009
30 0,790 33 0,718
30 33
1,59
A função discriminante encontrada permite-nos confirmar que os rácios de
endividamento, de solvabilidade e de liquidez se relacionam negativamente com o
incumprimento fiscal. Relativamente aos rácios de rentabilidade não se confirma, mais
uma vez, a hipótese de que os mesmos tenham uma relação negativa com o
32
Para a estimação desta função foram usadas 82 empresas da amostra (ou seja 76,8%). As restantes 19
empresas (23,2%) foram reservadas para testar o modelo.
33
O centróide para o grupo das empresas cumpridoras é de -0,790 e o centróide para o grupo das empresas
incumpridoras é de 0,718 o que nos indica que a função discriminante está a separar bem os grupos.
52
incumprimento fiscal de curto prazo. O rácio de actividade evidencia, ao contrário dos
anos anteriores, uma relação negativa com o incumprimento.
Uma vez que os resultados obtidos, em termos de ajuste geral do modelo e de
precisão preditiva, são bastante semelhantes aos do ano de 2008, optamos por não tecer
considerações acerca dos mesmos. No entanto estes encontram-se espelhados nos
Quadros 15, 16, 17, 18, 19, 20 e 21 em anexo.
Em suma, em relação aos resultados alcançados com os modelos anteriormente
expostos, e ao nível da capacidade discriminativa das variáveis explicativas, denota-se
alguma estabilidade nas mesmas já que as variáveis com poder individual
discriminatório significativo, endividamento (R2
CP_PASSIVO),
PT_ACTV)
e solvabilidade (R6
são comuns aos três anos. A variável de fundo de maneio (R3
FM_ACTV)
aparece como estatisticamente significativa para a diferenciação entre os grupos em dois
anos consecutivos, concretamente, em 2007 e em 2008. A variável de liquidez (R8 LI)
aparece assim isolada em 2008. Note-se ainda que as restantes variáveis, retorno do
activo (R1
ROA),
resultados transitados (R4
rotação do activo (R7
VND_ACTV),
RT_ACTV),
earning power (R5
EBIT_ACTV)
e
não apresentam, em nenhum dos anos, poder
discriminatório individual estatisticamente significativo (para um nível de significância
de 0,05). Este facto pode estar relacionado com a existência de um elevado grau de
multicolinariedade existente entre algumas das referidas variáveis. Em termos de
percentagem de casos correctamente classificados e relativamente à amostra que serviu
para estimação não se verificam diferenças significativas entre os anos em estudo. Na
amostra de validação constata-se uma diferença importante, se compararmos o ano de
2007 com os anos de 2008 e de 2009. É curial todavia relembrar que os pressupostos
mais relevantes deste método estatístico não estão a ser respeitados.
5.2.2. Regressão Logística
Considerando que três das suposições mais importantes da análise discriminante
não estão a ser cumpridas e que diversos autores assinalam que este facto pode diminuir
a significância dos modelos decidimos aplicar a regressão logística. Para a estimação
dos modelos, e para efeitos de comparação, foram usadas as mesmas amostras
“correspondentes” utilizadas na análise discriminante. Neste ponto apresentam-se os
53
modelos obtidos com a aplicação da regressão logística para os anos de 2007 a 2009 e
discutem-se os seus resultados. O ponto de corte adoptado é de 0,5 valor normalizado
para a técnica de regressão logística34. Para a validação dos modelos foi utilizada a
mesma abordagem de partição da amostra seguida para a análise discriminante.
Ano de 2007
O modelo foi construído com 76,5% da amostra final, que corresponde a 75
empresas, tendo sido usada uma amostra para posterior validação de 23,5%, ou seja,
com 23 empresas. Numa fase inicial o modelo foi estimado com as 8 variáveis
independentes. A estatística de Wald revelou-nos, no entanto, que apenas a variável R3
era estatisticamente significativa (β3=-2,288; S.E.=1,083; Teste de Wald =4,463; pvalue(Sig.)=0,035<α=0,05). Como tal optamos por retirar do modelo por ordem
decrescente as variáveis que se mostravam menos significativas estatisticamente
(método stepwise-backward). O modelo final encontrado com esta metodologia foi o
seguinte:
Z (R) = 0,48-1,789R3-1,468R6
Assim, a probabilidade de incumprimento fiscal é dada pela seguinte expressão:
1
P ( IncumprimentoFiscal )
1
e - (0,48
1,789R3
1,468R6)
Avaliação dos efeitos estimados das variáveis independentes
O efeito estimado de cada variável independente do modelo na variável
dependente é analisado através da interpretação dos seus coeficientes. Esta análise
comporta a (1) verificação da direcção da relação (positiva ou negativa) e a (2)
avaliação da magnitude da relação.
34
De acordo com Hair et. al. (2009) este valor representa a probabilidade de ocorrência de
incumprimento fiscal segundo o critério aleatório ou de chances iguais. Concretizando as empresas para
as quais a probabilidade de incumprimento for inferior a 0.5 são classificadas como cumpridoras.
Inversamente as empresas com uma probabilidade de incumprimento superior a 0.5 são classificadas
como incumpridoras.
54
Os sinais dos coeficientes permitem-nos aferir o sentido da influência de uma
determinada variável na variável dependente. Se um coeficiente tem um sinal positivo
isso significa que um aumento da variável independente é associado a um aumento da
probabilidade do evento em estudo ocorrer e vice-versa. Observando a Tabela 23 é
possível constatar que os parâmetros das variáveis de fundo de maneio (R3 FM_ACTV) e de
solvabilidade (R6
CP_PASSIVO)
são negativos. Concretizando, um aumento do rácio de
rentabilidade (fundo de maneio) e do rácio de solvabilidade de uma empresa faz
diminuir a sua probabilidade de incumprimento fiscal o que está em consonância com o
que é expectável em termos económicos. O coeficiente estimado das variáveis de fundo
de maneio (R3 FM_ACTV) e de solvabilidade (R6 CP_PASSIVO) exerce um efeito negativo e
significativo no incumprimento fiscal a um nível de significância de 0,05.
A magnitude da relação permite-nos perceber o quanto é que a probabilidade
estimada varia dada uma variação unitária na variável independente. A coluna Exp.(β)
da Tabela 20 representa a exponencial dos coeficientes estimados do modelo
permitindo-nos verificar a estimação do rácio das chances da variável dependente por
unidade da variável independente (Maroco, 2007).
Tabela 20 - Variáveis na equação (2007)
Variáveis Independentes
R3 FM_ACTV
B
-1,789
S.E.
,965
Wald
3,439
df
1
Sig.
,064 *
R6 CP_ PASSIVO
-1,468
,749
3,837
1
,050 **
Exp(B)
,167
,230
Constante
,480
,313
2,354
1
,125
1,616
Nota: *, ** e *** indicam que os coeficientes estimados são estatisticamente significativos a um nível de
significância de 10%, 5% e 1% respectivamente.
Assim, por exemplo, por cada unidade de variação na variável de fundo de
maneio (R3
FM_ACTV)
verifica-se um decréscimo na probabilidade de incumprimento
fiscal na ordem dos 90,3% (% Rácio de Chances = 100x (exp(β)-1), i.e., 100x(0,1671)=83,3%). Por seu lado uma unidade de variação da variável de solvabilidade (R6
CP_PASSIVO)
reflecte um decréscimo na probabilidade de incumprimento fiscal de 41,2%
(% Rácio de Chances = 100x (exp(β)-1), i.e., 100x(0,230-1)=77%).
55
Avaliação da qualidade do ajuste do modelo
A avaliação da qualidade de ajuste de um modelo de estimação na regressão
logística pode ser vista em duas perspectivas: uma, através do uso dos “Pseudo R2”
(valor de verosimilhança35; R2 de Cox e Snell e R2 de Nagelkerke), semelhantes aos
encontrados na regressão múltipla, e, outra, através da análise da precisão preditiva do
modelo (matriz de classificação). Os resultados para o teste de Cox & Snell e para o
teste de Nagelkerke assumem valores entre 0 e 1 sendo que quanto maiores forem
melhor será o ajuste do modelo. O valor encontrado para o teste de Nagelkerke diz-nos
que as variáveis independentes têm capacidade de explicar 28,2% das variações
registadas na variável dependente. Comparando o modelo inicial - com as 8 variáveis com este modelo verifica-se uma ligeira diminuição destas medidas de ajuste. A última
medida de ajuste do modelo é-nos dada pelo valor do teste de Hosmer e Lemeshow o
qual mede a correspondência entre os valores reais e os valores previstos da variável
dependente. Os seus resultados, evidenciados na Tabela 21, indicam-nos que o Quiquadrado não é significante, logo, pode dizer-se que não existem diferenças
significativas entre os resultados previstos e os observados (Qui-Quadrado=4,265; pvalue(Sig.)=0,749>α=0,05). O modelo é portanto ajustado aos dados. A conjugação
deste resultado com os anteriores sugere-nos que o modelo encontrado é aceitável.
Tabela 21 – Avaliação da qualidade do ajuste do modelo (2007)
35
A medida geral de quão bem o modelo se ajusta é dada pelo valor de verosimilhança que é chamado de
-2LL (-2 Log Likelihood—2 vezes o logaritmo do valor de verosimilhança) ou -2log verosimilhança. Este
valor é o equivalente aos valores das somas dos quadrados usados na regressão múltipla. O valor mínimo
para o -2LL é de 0 (zero) correspondendo a um ajustamento perfeito e o valor máximo é de 1 (um) (Hair
et. al., 2009, pág. 287). Assim quanto mais pequeno for o valor de -2LL melhor será a qualidade do
ajustamento do modelo. Esta medida de avaliação é mais visível quando estamos a comparar equações e
queremos verificar se a inserção ou eliminação de uma variável reflecte uma variação negativa no valor
de verosimilhança, ou seja, melhora a qualidade de ajuste do modelo.
56
Avaliação da Precisão Preditiva
Finalmente, pela Tabela 22, constata-se que, para a amostra de análise, 68% dos
casos foram correctamente classificados (para um nível de corte de 0,5). Na amostra de
validação o modelo classificou correctamente 69,6% dos casos (para um nível de corte
de 0,5). Apresenta, na amostra de validação, um erro do tipo I de 44,4% (erro de
classificar empresas cumpridoras como incumpridoras) e um erro do tipo II de 21,4%. O
modelo revela-se, assim, mais preciso a classificar na amostra de teste.
Tabela 22 - Matriz de Classificação (2007)
Grupo Previsto
Grupo Real
Cumpridores
Incumpridores
Amostra de Análise
Cumpridores Incumpridores
28
12
12
23
a
68% da amostra de análise correctamente classificada.
b
69,6% da amostra de teste correctamente classificada
a
Total
40
35
Amostra de Teste b
Cumpridores Incumpridores
11
3
4
5
Total
14
9
Ano de 2008
Para a estimação do modelo foram inicialmente inseridas todas as variáveis
independentes. Analisando a Tabela infra constatamos, pela estatística de Wald, que
apenas as variáveis de rentabilidade do activo, dos resultados transitados e o earning
power têm impacto estatisticamente significativo sobre a variável dependente. Com
efeito para estas variáveis rejeita-se a hipótese nula dos coeficientes serem nulos a um
nível de significância de 0,05.
Tabela 23 – Variáveis na Equação – 1ª Estimação (2008)
Variáveis
Independentes
B
-65,183
S.E.
24,368
Wald
7,155
df
1
R2 PT_ACTV
R3 FM_ACTV
-5,452
-3,947
5,848
2,139
,869
3,404
1
1
,351
,065 *
R4 RT_ACTV
R5 EBIT_ACTV
4,834
61,520
2,172
24,358
4,952
6,379
1
1
,026 **
,012 **
R6 CP_ PASSIVO
R7 VND_ACTV
-4,179
-1,249
2,888
1,012
2,094
1,521
1
1
,148
,217
,015
,287
R8 LI
-2,429
3,205
,574
1
,449
,088
R1 ROA
Sig.
,007 ***
Exp(B)
,000
,004
,019
125,705
521891302543043000000000000,000
Constante
6,433
5,970
1,161
1
,281
622,275
Nota: *, ** e *** indicam que os coeficientes estimados são estatisticamente significativos a um nível de significância de
10%, 5% e 1% respectivamente.
57
Assim de forma a simplificar o modelo reajustamos o mesmo tendo retirado, por
ordem decrescente, as variáveis com menor significância estatística. O modelo final reestimado através da regressão logística para 2008 foi então o seguinte36:
Z (R) = -0,693-60,561R1+57,358R5-1,541R6
Assim, a probabilidade de incumprimento fiscal é dada pela seguinte expressão:
1
P ( IncumprimentoFiscal )
1
e - (-0,693
60,561R1
7 ,358R5
1,541R6)
Pela Tabela 24 podemos verificar que o coeficiente estimado da variável retorno
do activo (R1
ROA)
e da variável de solvabilidade (R6
CP_PASSIVO)
exerce um efeito
negativo e significativo no incumprimento fiscal a um nível de significância de 0,05.
Por cada unidade de variação na variável de solvabilidade (R6 CP_PASSIVO) verifica-se um
decréscimo na probabilidade de incumprimento fiscal na ordem dos 97,5% (% Rácio de
Chances = 100x (exp(β)-1), i.e., 100x(0,214-1)=78,6%). O parâmetro estimado da
variável earning power (R5
EBIT_ACTV)
exerce uma influência positiva e significativa
sobre o incumprimento fiscal a um nível de significância de 0,05. Este resultado não
está em sintonia com o que seria expectável em termos económicos. De facto esperavase que um aumento de um indicador de rentabilidade provocasse uma diminuição da
probabilidade de incumprimento fiscal. Uma possível explicação para esta situação
poderá ter a ver com o facto da existência de elevada correlação da variável em causa
com a variável retorno do activo (R1 ROA). Alguns autores assinalaram que a regressão
logística é sensível a situações de extrema multicolinariedade. Outra possível
justificação poderá residir no facto das empresas que apresentam maiores resultados
poderem ser aquelas que terão mais impostos liquidados logo maior probabilidade de
contrair dívidas fiscais. Em qualquer caso o facto de uma empresa apresentar bons
desempenhos em termos de indicadores de rentabilidade não se traduz necessariamente
num aumento de liquidez e consequentemente num aumento da sua capacidade em
liquidar os compromissos. Esta questão torna-se ainda mais sensível quando o que
36
A amostra usada neste modelo foi dividida da seguinte forma: 76,9% (ou seja 60 empresas) foi usada
para modelização e 23,1% (ou seja 18 empresas) foi utilizada para validar o modelo.
58
pretendemos avaliar é a capacidade de uma empresa honrar os seus compromissos de
curto prazo.
Tabela 24 – Variáveis na Equação (2008)
Variáveis
Independentes
R1 ROA
R5 EBIT_ACTV
R6 CP_ PASSIVO
B
-60,561
57,358
S.E.
20,567
19,990
Wald
8,671
8,233
df
1
1
Sig.
,003 ***
,004 ***
-1,541
,683
5,093
1
,024 **
Exp(B)
,000
8136371140973540000000000,000
,214
Constante
-,693
,530
1,708
1
,191
,500
Nota: *, ** e *** indicam que os coeficientes estimados são estatisticamente significativos a um nível de significância
de 10%, 5% e 1% respectivamente.
Ao nível de ajustamento do modelo o teste de Nagelkerke diz-nos que as
variáveis independentes têm capacidade de explicar 41,5% das variações registadas na
variável dependente. O valor do teste de Hosmer e Lemeshow, que consta da Tabela 25,
acima do nível de significância de 0,05, indica-nos que o qui-quadrado não é
significante, logo, pode dizer-se que não existem diferenças significantes entre os
resultados previstos e os observados pelo que este modelo ajusta-se aos dados (QuiQuadrado=9,746; p-value(Sig.)=0,283>α=0,05). A conjugação deste resultado com o
teste anterior sugere-nos que o modelo encontrado é ajustado e aceitável.
Tabela 25 – Avaliação da qualidade do ajuste do modelo (2008)
Medidas de Pseudo R2
-2 Log likelihood
60,558a
2
Cox & Snell R
,311
Teste de Hosmer and Lemeshow
Nagelkerke R
2
,415
Qui-Quadrado
9,746
df
8
Sig.
,283
a. Estimation terminated at iteration number 6 because parameter estimates changed by less than ,001.
Finalmente, em termos de precisão preditiva do modelo, constata-se que, para a
amostra de análise, 76,7% dos casos foram correctamente classificados (para um nível
de corte de 0,5). A sensibilidade do modelo é de 75,0% e a especificidade do modelo é
de 78,1%. Na amostra de validação o modelo revelou um bom desempenho tendo
classificado correctamente 72,2% dos casos. Em ambas as amostras o modelo foi mais
eficaz a classificar as empresas incumpridoras.
59
Tabela 26– Matriz de Classificação (2008)
Grupo Previsto
Grupo Real
Cumpridores
Incumpridores
Amostra de Análise
Cumpridores Incumpridores
21
7
7
25
a
76,7% da amostra de análise correctamente classificada.
b
72,2% da amostra de teste correctamente classificada.
a
Amostra de Teste b
Cumpridores Incumpridores
7
4
1
6
Total
28
32
Total
11
7
Ano de 2009
Para a estimação do modelo foram inicialmente inseridas todas as variáveis
independentes. Constatamos que apenas as variáveis retorno do activo (R1
ROA)
e
earning power (R5 EBIT_ACTV) têm impacto estatisticamente significativo sobre a variável
dependente
(β1=-81,974;
S.E.=26,064;
Teste
de
Wald=9,982;
p-
value(Sig.)=0,02<α=0,05 e β5=85,927; S.E.26,587; Teste de Wald=10,445; pvalue(Sig.)=0,01<α=0,05). Em qualquer caso o modelo apresenta um Qui-quadrado
significante pelo que se conclui que o mesmo não é ajustado (Qui-Quadrado=18,044; pvalue(Sig.)=0,021<α=0,05). O modelo foi novamente estimado utilizando a mesma
metodologia usada para 2007 e 2008. O modelo final estimado para 2009 é então dado
pela seguinte função37:
Z (R) = -1,650-82,581R1+82,799R5
Assim, a probabilidade de incumprimento fiscal é dada pela seguinte expressão:
1
P ( IncumprimentoFiscal )
1
e (-1,650
82,581R1
82,799R5)
O coeficiente estimado da variável de retorno do activo (R1
ROA)
exerce um
efeito negativo (o seu aumento provoca uma diminuição na probabilidade de
incumprimento) e significativo no incumprimento fiscal (β1=-82,581; S.E.=24,003;
Teste de Wald=11,836; p-value(Sig.)=0,01<α=0,05). À semelhança do modelo
encontrado para 2008 o parâmetro estimado da variável earning power (R5 EBIT_ACTV)
37
A amostra usada neste modelo foi dividida da seguinte forma: 76,8% (ou seja 63 empresas) foi usada
para modelização e 23,2% (ou seja 19 empresas) foi utilizada para validar o modelo.
60
exerce uma influência positiva (o seu aumento provoca um aumento da probabilidade
de incumprimento) e significativa sobre o incumprimento fiscal (β5=-82,799;
S.E.=23,916; Teste de Wald=11,986; p-value(Sig.)=0,01<α=0,05). O teste de
Nagelkerke diz-nos que as variáveis independentes têm capacidade de explicar 46,1%
das variações registadas na variável dependente. O valor para o teste de ajustamento de
Hosmer e Lemeshow indica-nos que não existem diferenças significativas entre os
resultados previstos e os observados pelo que este modelo é ajustado aos dados (QuiQuadrado=4,910; p-value(Sig.)>α=0,05). A conjugação deste resultado com os testes
anteriores sugere-nos que o modelo encontrado é ajustado e aceitável. Finalmente, em
termos de precisão preditiva do modelo, constata-se, pela análise da matriz de
classificação, que para a amostra de análise, 76,2% dos casos foram correctamente
classificados. Na amostra de validação o modelo revelou também um bom desempenho
tendo classificado correctamente 78,9% dos casos. Em ambas as amostras o modelo foi
mais preciso a classificar as empresas cumpridoras.
Em suma, em termos de capacidade preditiva, pode dizer-se, atendendo a que
este tipo de modelos em termos de precisão normalmente apresentam valores que
variam entre os 70% e os 90%, que os modelos são aceitáveis, já que as matrizes de
classificação apontam para valores na ordem dos 70% tanto na amostra de análise como
na amostra de teste. Se considerarmos que os dados financeiros poderão nalguns casos
estar distorcidos, devido à manipulação com intuito de diminuição da carga fiscal, então
as percentagens de classificação alcançadas tornam-se mais relevantes. Cabe aqui
sublinhar que antes da elaboração dos modelos aqui apresentados foram estimados
outros sem validação tendo os resultados obtidos sido superiores aos aqui patenteados
para cada um dos anos. Ao nível das variáveis explicativas a variável de solvabilidade
(R6
CP_PASSIVO)
aparece como estatisticamente significativa em 2007 e em 2008. As
variáveis de retorno do activo (R1 ROA) e o Earning Power (R5 EBIT_ACTV) aparecem como
estatisticamente significativas em 2008 e em 2009.
5.2.3. Análise Discriminante versus Regressão Logística
Os resultados patenteados na Tabela infra permitem-nos constatar que, para o
ano de 2007, a percentagem de classificação geral obtida na amostra de teste é
exactamente a mesma em ambas as técnicas. Existe, no entanto, uma diferença de 6,7%
61
na precisão preditiva dos modelos relativamente à amostra de análise. De facto o
modelo obtido com a análise discriminante evidencia uma menor percentagem de casos
incorrectamente classificados. Os erros de previsão do Tipo I, isto é, a classificação de
uma empresa incumpridora como cumpridora, são bastante mais elevados na amostra de
teste. Este facto retira capacidade preditiva ao modelo.
Quanto ao ano de 2008 e de 2009 as percentagens de casos correctamente
classificados obtidas com as diferentes técnicas não diferem, de uma forma geral,
substancialmente. Observa-se, porém, pelos resultados da amostra de teste, que a análise
discriminante apresenta capacidade preditiva superior aos modelos obtidos com a
regressão logística. No ano de 2008 os erros do Tipo I - classificação de uma empresa
cumpridora como incumpridora - obtidos com análise discriminante são superiores aos
erros do Tipo II verificando-se exactamente o inverso com a regressão logística. Ao
nível da amostra de análise as percentagens de erros não diferem de forma substancial
em ambas as técnicas. Em 2009 verifica-se que os erros de previsão do Tipo I são
sempre superiores aos erros de previsão do Tipo II em qualquer uma das técnicas
existindo diferenças significativas ao nível da amostra de análise.
Tabela 27 – Comparação de Resultados38
Ano
Amostra de Análise
Amostra de Teste
Amostra de Análise
2008
Amostra de Teste
Amostra de Análise
2009
Amostra de Teste
2007
Análise Discriminante
% Cgeral
% Tipo I % Tipo II
74,70
17,10
32,50
69,60
44,40
21,40
81,70
18,80
17,90
88,90
14,30
9,10
77,80
27,30
16,70
84,20
25,00
9,10
Regressão Logística
% CGeral
% Tipo I % Tipo II
68,00
34,29
30,00
69,60
44,40
21,40
76,70
21,88
25,00
72,20
14,29
36,36
76,20
30,30
16,70
78,90
37,50
9,10
Em síntese, os resultados alcançados sugerem-nos que a análise discriminante
multivariada e a regressão logística são técnicas adequadas para prever o
incumprimento fiscal no curto prazo não diferindo significativamente em termos de
precisão preditiva. Esta evidência vem corroborar algumas das conclusões já aventadas
em diversos estudos na área da previsão de insolvência de empresas e amplamente
citados ao longo do presente trabalho. O capítulo que se segue apresenta as principais
conclusões deste estudo e propostas para investigações futuras.
38
Cgeral significa Classificação Geral.
62
CAPÍTULO 6: Conclusão
Numa altura em que mais do que nunca se impõe o uso criterioso dos dinheiros
públicos confiados por cada um de nós (cidadãos) aos decisores políticos, torna-se
pertinente, no seio das organizações públicas, pensar em novos mecanismos que
permitam a estas entidades levar a cabo a sua missão da forma mais económica e
eficiente possível.
Neste contexto a Administração Fiscal assume um papel primordial devendo
apostar nas actividades que se traduzam num maior value for the money necessitando
para tal de instrumentos de apoio adequados à tomada de decisões. Uma das áreas onde
a sua actuação é mais visível e pode ser potenciada é no âmbito da inspecção tributária e
da justiça tributária.
A Administração Fiscal possui um manancial de informação ao seu dispor tanto
de carácter quantitativo como qualitativo. Importa pois transformar essa informação em
conhecimento.
Com tal desiderato foram criados modelos de previsão de incumprimento fiscal,
a curto prazo, para cada um dos anos em estudo, específicos para o sector da actividade
de fabricação de mobiliário de madeira para outros fins, tendo como ponto de partida os
dados das demonstrações financeiras divulgados pelas empresas a operar no referido
sector e as informações relativas às suas dívidas fiscais constantes das bases da
Administração Fiscal.
Os resultados alcançados com os modelos econométricos sugerem a existência
de uma relação entre os indicadores financeiros e o incumprimento fiscal no curto
prazo. Verifica-se, contudo, que nem todos os rácios apresentam o mesmo poder
preditivo. Os resultados obtidos com a análise discriminante apontam para uma relação
positiva entre endividamento e incumprimento fiscal e para uma relação negativa entre
solvabilidade e incumprimento fiscal de curto prazo.
Ao nível dos métodos estatísticos seleccionados para a estimação dos modelos
podemos afirmar de uma forma geral que ambas as técnicas usadas não diferiram
substancialmente em termos de classificação e de precisão preditiva o que confirma os
resultados alcançados em diversos estudos sobre esta matéria.
63
O facto de apenas termos ao nosso dispor o balanço e a demonstração de
resultados inviabilizou-nos o cálculo de alguns dos rácios financeiros que reputamos
pertinentes para este estudo, nomeadamente, alguns rácios de actividade, tais como, o
tempo médio de recebimento, o tempo médio de pagamento, o tempo médio de duração
de existências e o grau médio de rotação de existências. Assim, para investigações
futuras, seria importante dispor de um leque mais alargado de informação que nos
permitisse testar outros rácios.
Alguns autores afirmam que não é claro que um adequado modelo de previsão
de insolvência se possa basear exclusivamente em rácios financeiros tendo demonstrado
que os modelos que continham variáveis qualitativas apresentavam um incremento na
capacidade de previsão face aos modelos que apenas utilizavam os rácios financeiros
(Ohlson, 1980; Keasey e Watson, 1987; Slowinski & Zopoudinis, 1995). De facto, ao
apenas incluirmos informação financeira neste tipo de modelos estamos implicitamente
a assumir que todos os factores relevantes para o incumprimento estão espelhados nas
contas anuais. Existem alguns factores tais como a experiência da gestão (Lussier,
1994) o nível educacional, a idade e a motivação dos gerentes/administradores (Lussier,
1994; Hall, 1994), a qualidade dos sistemas de apoio à gestão, a concentração de
clientes, a dependência de um ou de poucos fornecedores de grande dimensão
(Lehmann, 2003), a relação com os bancos (Hall, 1994) que podem influenciar o
incumprimento. Características relacionadas com o Conselho de Administração
(composição e estrutura), tais como, dualidade CEO/Presidente, percentagem de
insiders e de outsiders, também podem explicar o insucesso empresarial (Elloumi &
Gueyié, 2002; Sheppard, 1994).
Neste contexto seria também interessante introduzir uma variável qualitativa que
reflectisse o histórico do comportamento fiscal de outras empresas detidas pelos actuais
sócios, administradores e gerentes das empresas em estudo. De facto, é consabido, que
muitas das empresas que estão em incumprimento fiscal pertencem a sócios ou a
administradores que já tiveram ou têm outras empresas no mesmo ramo de actividade
ou noutro e que acumularam várias dívidas fiscais e que entraram em insolvência. Esta
circunstância, na nossa opinião, pode aumentar a propensão para uma má gestão nas
empresas em análise e consequentemente aumentar a probabilidade das mesmas
entrarem em incumprimento fiscal. Consideramos ainda que seria pertinente incluir uma
64
outra variável que espelhasse o histórico criminal fiscal quer das empresas em estudo
quer dos seus proprietários e/ou gerentes. Entendemos que o envolvimento destes
intervenientes em processos de natureza criminal revela algo sobre a sua conduta em
termos de gestão, facto que, pode potenciar, a probabilidade de uma empresa entrar em
incumprimento fiscal.
Diversos estudos sugerem que a aplicação das redes neuronais de inteligência
artificial a problemas de insolvência se tem revelado com maior capacidade preditiva
quando comparada com as técnicas tradicionais, pelo que, não obstante a sua
complexidade, consideramos que seria interessante, em futuras investigações, aplicar
também esta metodologia ao problema em estudo e comparar os resultados obtidos com
as técnicas que aqui foram usadas.
O presente trabalho debruça-se sobre o terceiro tipo de incumprimento no
entanto é importante salientar que este tipo de modelos ao analisar a “saúde” financeira
das empresas poderá eventualmente também ser útil na detecção de casos de omissão de
proveitos. Com efeito, se uma dada empresa, face à informação constante das suas
demonstrações financeiras, for classificada consecutivamente com probabilidade de ser
incumpridora fiscal e esse evento não se verificar este facto pode constituir um sinal de
alerta para as autoridades fiscais. De facto uma empresa não poderá sobreviver muito
tempo com maus indicadores financeiros e nesta medida isto poderá ser indiciador de
que as demonstrações financeiras apresentadas poderão não estar a espelhar a real
situação da empresa (imagem verdadeira e fiel).
Por último consideramos que a implementação de modelos deste género no seio
da Administração Fiscal poderá de facto ser um complemento importante às técnicas e
metodologias já utilizadas no âmbito da selecção de contribuintes a inspeccionar. Uma
actuação mais proactiva e mais dirigida por parte da Administração Fiscal poderá
contribuir seguramente para melhor acautelar/proteger o crédito tributário promovendose desta forma maior justiça e equidade fiscal, valores almejados para qualquer sistema
fiscal.
65
Referências Bibliográficas
Altman E.I., (1984), “The success of business failure prediction models – An
international survey”. Journal of Banking and Finance, Vol. 8, p. 171-198.
Altman, Edward I. e Sabato, Gabriele (2007), “Modeling Credit Risk for SMEs –
Evidence from the US Market”, ABACUS – A Journal of Accounting, Finance and
Business Studies.
Altman, Edward I. (1968), “Financial Ratios, Discriminant Analyses and the Prediction
of Corporate Bankruptcy”, Journal of Finance, 23, 4.
Altman E.I., McGough T.P. (1974). “Evaluation of a Company as a Going Concern.
Journal of Accountancy”, Vol. 138, nr.6, December 1974, p. 50-57.
Altman E.I., Haldeman R.G., Narayanan P. (1977), “ZETA analysis: A new model to
identify bankruptcy risk of corporations”. Journal of Banking and Finance, Vol. 1, nr. 1,
p. 29-51.
Altman E.I. (1978), “Examining Moyer‟s re-examination of forecasting financial
failure”. Financial Management, Vol. 7, nr. 4, Winter 1978, p. 76-81.
Aziz A., Emanuel D.C., Lawson G.H. (1988), “Bankruptcy prediction – An
investigation of cash flow based models”. Journal of Management Studies, Vol. 25, nr.
5, p. 419-437.
Aziz A., Lawson G. (1989), “Cash flow reporting and financial distress models : testing
of hypotheses”. Financial Management, Vol. 18, nr. 1, Spring 1989, p. 55-63.
Back, Barbo et al. (1996), “Choosing bankruptcy predictors using discriminant analysis,
logit analysis, and genetic algorithms”. Turku Centre for Computer Science, Technical
Report nº. 40, ISBN 951-650-828-6, ISSN 1239-1891, p. 1-5, Setembro de 1996.
Back, Barbro et al. (2010), “Using financial ratios to select companies for tax auditing:
An exploratory analysis”. Turku Centre for Computer Science, TUCS Technical Report,
n.º996, Dezembro de 2010.
Balcaen, Sofie e Ooghe, Hubert (2004), “35 Years of studies on business failure: an
overview of the classical statistical methodologies and their related problems”, Faculteit
Economie en Bedrijfskunde.
Barnes P. (1982), “Methodological implications of non-normality distributed financial
ratios”. Journal of Business Finance and Accounting, Vol. 9, nr. 1, Spring 1982, p. 5162.
Barnett, V., Lewis, T., “Outliers in Statistical Data”, Wiley, 3.ª Edição, 1998.
66
Bell, B.T. et .al. (1990), “Neural nets vs. Logistic regression: a comparison of each
model‟s ability to predict commercial bank failures”, Actes du congrès international de
comptabilité, Tome I, Nice, décembre 1990.
Beaver W. (1967a), “Financial ratios predictors of failure”, Empirical Research in
Accounting: Selected Studies 1966, Journal of Accounting Research, Supplement to
Vol. 4, p. 71-111.
Beaver W. (1967b), “Alternative accounting measures as predictors of failure”,
American Accounting Association Manuscript Contest for 1967, p. 113-121.
Becchetti L., Sierra J. (2002), "Bankruptcy risk and productive efficiency in
manufacturing firms”, Journal of Banking and Finance, Vol. 27, p. 2099-2120.
Bhargava, M. et. al. (1998), “Predicting Bankruptcy in the Retail Sector: An
Examination of the Validity of Key Measures of Performance”, Journal of Retailing and
Consumer Services, 5 (2), 105-117.
Bilderbeek J. (1979), “An empirical study of the predictive ability of financial ratios in
the Netherlands”, Zeitschrift Für Betriebswirtschaft, May 1979, p. 388-407.
Blum M., (1974), “Failing company discriminant analysis”, Journal of Accounting
Research, Vol. 12, nr.1, p. 1-25.
Brandão, Elísio, “Finanças”, 5.ª Edição, 2008.
Brealey, Richard A.; MYERS, Stewart C (1988), “Princípios de finanças empresariais”.
3.ed. Portugal: McGRAW-HILL.
Caouette, J. B.; Altman, E. I.; Narayanam (1999), “P. Gestão do risco de crédito: o
próximo grande desafio do futuro”. Tradução de Allan Hastings. Supervisão técnica
João Carlos Douat. Rio de Janeiro: Qualitymark, 1999. p. 119-121 e 130-144.
Charitou, A., Neophytou, E. & Charalambous, C. (2004). “Predicting Corporate Failure:
Empirical Evidence for the UK”. European Accounting Review, 13(3), 465- 497.
Charitou, A. and L Trigeorgis (2002), “Option based bankruptcy prediction”, Working
paper, University of Cyprus.
Charitou A., Trigeorgis L. (2000), “Option-based bankruptcy prediction”, Paper
presented at 6th Annual Real Options Conference, Paphos, Cyprus, 4-6 July 2002, p. 125.
Cybinski P. (2000), “The path to failure: where are bankruptcy studies at now?”,
Journal of Business and Management, Vol. 7, nr. 1, p. 11-39.
67
Cybinski P. (2001), “Description. Explanation, Prediction: The Evolution of Bankruptcy
Studies?”, Managerial Finance, Vol. 27, nr. 4, p. 29-44.
Dambolena I, Khoury S. (1980), “Ratio stability and corporate failure”, Journal of Finance, Vol.
33, nr. 4, p. 1017-1026.
Deakin E. (1972), “A discriminant analysis of predictors of business failure”, Journal of
Accounting Research”, Vol. 10, nr. 1, Spring 1972, p. 167-179.
Deakin E. (1977), “Business failure prediction: an empirical analysis”, p. 72-98. In:
Altman, Sametz, 1977, Financial crisis: institutions and markets in a fragile
environment.
Dimitras A., Zanakis S., Zopudinis C. (1996), “A survey of business failures with an
emphasis on failure prediction methods and industrial applications”, European Journal
of Operational Research, Vol. 90, nr.3, p. 487-513.
Edmister R. (1972), “An empirical test of financial ratio analysis for small business
failure prediction”, Journal of Financial and Quantitative Analysis, March 1972, p.
1477-1493.
Escola de Gestão do Porto (2005), “Estudo Estratégico das Indústrias de Madeira e
Mobiliário de Portugal.”, AIMMP – Associação das Indústrias de Madeira e Mobiliário
de Portugal.
FITZPATRICK P. A. (1932), “Comparision of the Ratios of Successful Industrial
Enterprises With Those of Failed Companies”, The Accountants Publishing Company,
1932.
Gaspar-Cunha, António et. al. (2010). “Feature Selection for Bankruptcy Prediction: A
Multi-Objective Optimization Approach” IJNCR 1(2): 71-91.
Gaspar-Cunha, António et. al. (2009), “Multi-Objective Evolutionary Algorithms for
Feature Selection: Application in Bankruptcy Prediction”, SEAL 2010: 319-328.
Gentry, J.A. et. al. (1985a), “Classifying bankrupt firms with funds flow components”,
Journal of Accounting Research, Vol. 23, nr. 1, Spring 1985, p. 146-160.
Galindo, R. D. et. al. (2002), “Un Modelo de Predicción de Fracaso Empresarial”,
Partida Doble, 134, pp. 60-67.
Gentry, J.A. et. al. (1985b), “Predicting bankruptcy: If cash flow‟s not the bottom line,
What is?”, Financial Analysts Journal, Vol. 41, nr. 5, September/October 1985, p. 4756.
Gloubos G., Grammatikos T. (1988), “The success of bankruptcy prediction models in
Greece”, Studies in Banking and Finance, Vol. 7, p. 37-46.
68
Green, William H. (2000), “Econometric Analysis”, Prentice Hall International, Inc.,
Fourth Edition.
Grunet, J. et. al. (2004), „The Role of Non-Financial Factors in Internal Credit Ratings‟,
Journal of Banking and Finance, Vol. 29 No 2.
Gujarati, Damodar N. (2005), “Econometria Básica”, Person Makron Books.
Hair, J. F.et. al. (2009), “Multivariate Data Análisis, 5th ed. Prentice Hall.
Hall G. (1994) “Factors distinguishing survivors from failures amongst small firms in
the UK construction sector”, Journal of Management Studies, Vol. 31, nr. 5, September
1994, p. 737-760.
Harris, M. (1991), “The theory of capital structure”, The Journal of Finance, v. 46. n. 1,
p. 297-355, Mar. 1991.
Henley, W. E. (1995), “Statistical aspects of credit scoring”, Dissertation, The Open
University, Milton Keynes, UK.
Hosmer D.W., Lemeshow S. (1989), “Applied logistic regression”, John Wiley & Sons:
New York. Hsieh S., 1993, A note on the optimal cutoff point in bankruptcy prediction
models. Journal of Business Finance & Accounting, Vol. 20, nr. 3, April 1993, p. 457464.
Karels G.V., Prakash A.J. (1987), “Multivariate normality and forecasting of business
bankruptcy”, Journal of Business Finance & Accounting, Vol. 14, nr. 4, Winter 1987, p.
573-593.
Keasey K., Watson R. (1987), “Non-financial symptoms and the prediction of small
company failure: a test of Argenti‟s hypotheses”, Journal of Business Finance &
Accounting, Vol. 14, nr. 3, Autumn 1987, p. 335-354.
Keasey K., Watson R. (1991), “Financial distress models: a review of their usefulness”,
British journal of Management, Vol. 2, nr. 2, July 1991, p. 89-102.
Kim, M. & Kim, M. (1999), “A Note on the Determinants of the Outcomes of
Bankruptcy Petitions: Evidence from Korea”, Journal of Business Finance &
Accounting, 26(7-8), 997-1011.
Klecka, W.R. (1980), “Discriminant analysis. Sage University Paper series on
Quantitative Apllications in the Social Sciences”, N.º07-019, Beverly Hills, CA:Sage.
Kohonen, T. (1988a), “Self-Organization and Associative Memory”, Springer-Verlag,
Berlin.
Kohonen, T. (1988b), “An introduction to neural computing”, Neural Networks, 1(1): 316.
69
Laffarga, J. B. et. al. (1985). “El Análisis de la Solvencia en las Instituciones Bancarias:
Propuesta de una Metodologia y Aplicaciones a la Banca Española.”, ESIC Market, 48,
51-73.
Laffarga, J. B. et. al. (1998). “Los Modelos de Predicción de la Insolvencia
Empresarial: Un análisis Critico”, in A. S. Calvo-Flores & D. P. L. García (Eds.), El
Riesgo Financiero de la Empresa, (pp.11-58). Madrid: A.E.C.A.
Lehmann B., (2003), “Is it worth the while? The relevance of qualitative information in
credit rating”, Working Paper presented at the EFMA 2003 Meetings, Helsinki, p. 1-25.
Lev, B. (1978), “Análisis de estados financieros, un nuevo enfoque”. Madrid: Esic.
Lisowsky, Petro (2010), “Seeking Shelter: Empirically Modeling Tax Shelters Using
Financial Statement Information”, University of Illinois at Urbana- Campaign, The
Accounting Review.
Lízal L. (2002), “Determinants of financial distress: what drives bankruptcy in a
transition economy? The Czeck Republic case”, William Davidson Working Paper nr.
451, January 2002, p. 1-45.
Lo, A. W. (1986), “Logit Versus Discriminant Analysis: a Specification Test and
Application to Corporate Bankruptcy”, Journal of Econometrics, 31, 151-178.
Lussier R.N. et. al., (1994), “A success vs. Failure prediction model of the
manufacturing industry”, Paper nr. 48, Conference of the Small Business Institute
Director‟s Association, San Antonio, Texas, February 1994, p. 1-5.
Maroco, João (2007), “Análise Estatística Com utilização do SPSS”, Edições Sílabo.
Martin, D. (1977), “Early warning of bank failure: a logit regression approach”, Journal
of Banking and Finance, November, 249-276.
Mc Leay, S. et. al. (2000), “The sensitivity of prediction models to the non-normality of
bounded an unbounded financial ratios”, British Accounting Review, Vol. 32, p. 213230.
McGurr, P. T. & DeVaney, S. A. (1998), “Predicting Business Failure of Retail Firms:
An Analysis Using Mixed Industry Models”, Journal of Business Research, 43, 169176.
Mora, A. E. (1994), “Los Modelos de Prediccion del Fracaso Empresarial: Una
aplicacion Empirica del Logit”, Revista Española de Financiación y Contabilidad,
23(78), 203-233.
Mossman, Ch.E. et. al. (1998), “An empirical comparison of bankruptcy models”, The
Financial Review, Vol. 33, nr. 2, p. 35-54.
70
Neves, João Carvalho (1997), “Análise do risco de incumprimento: na perspectiva da
Segurança Social”, Fundação para a Ciência e Tecnologia e Instituto de Gestão
Financeira da Segurança Social.
Ohlson J. (1980), “Financial ratios and the probabilistic prediction of bankruptcy”,
Journal of Accounting Research, Vol. 18, nr. 1, Spring 1980, p. 109-131.
Ooghe H., Joos P., De Bourdeaudhuij C. (1995), “Financial distress models in Belgium:
The results of a decade of empirical research”, International Journal of Accounting, Vol.
30, p. 245-274.
Ooghe H., Joos P., De Vos D., De Bourdeaudhuij C. (1994a), “Towards an improved
method of evaluation of financial distress models and presentation of their results”,
Working Paper, January 1994, Department of Corporate Finance, Ghent University,
Belgium, 22p.
Ooghe H. et. al. (1985), “Predicting business failure on the basis of accounting data:
The Belgian experience”, The International Journal of Accounting, Vol. 9, nr. 2, p. 1944.
Pereira, José, et al. (2007), “Modelos de Previsão do Fracasso Empresarial: Aspectos a
considerar”, Revista de Estudos Politécnicos, Vol. IV, pp. 111-148.
Platt H.D., Platt M.B., (1990), “Development of a class of stable predictive variables:
the case of bankruptcy prediction”, Journal of Business Finance & Accounting, Vol. 17,
nr. 1, Spring 1990, p. 31-51.
Rodriguez, M. L. V. (1994), “Utilidad del análisis de ratios para la predicción de la
insolvencia empresarial”, Actualidad Financiera, n.º 34, pp. 699-724.
Román, I. M. & De La Torre, J. M. M. (2002), “Una Visión Sectorial del Analisis del
Riesgo de Insolvencia. Aplicación a la Situación de la Empresa Media Andaluza”, in
Ensayos Científicos sobre Contabilidad (677-685), Universidad de Málaga.
Santos, Vera (2010). “Modelação do Risco de Crédito, no contexto do Acordo Basileia
II – A Prática do Mercado Português.” Instituto Superior de Economia e Gestão.
Scherr, F. C. (1989), “Causality, Regression, Discriminant Analysis, and Research on
Failure”, Akron Business and Economic Review, 20(1), 8-20.
Schneider, Friedrich (2009), “The Size of the Shadow Economy in 21 OECD Countries
(in % of „official“GDP) using the MIMIC and currency demand approach: From
1989/90 to 2009”, Handbook on the Shadow Economy.
Sheppard J.P. (1994), “Strategy and bankruptcy: an exploration into organizational
death”, Journal of Management, Vol. 20, nr. 4, p. 795-833.
71
Slowinski R., Zopudinis C., (1995), “Application of the rough set approach to
evaluation of bankruptcy risk. Intelligent Systems in Accounting”, Finance and
Management, Vol. 4, p. 27-41.
Somoza, L. A. & Vallverdú, J. C. (2003), “Un Modelo de Predicción de la Insolvencia
Empresarial Basado en Variables Financieras. Su Aplicación al Caso Textil Catalán
(1994-1997)”, Revista de Contabilidad, 6(11), 173-191.
Stickney, C. P. (1996), “Financial Reporting and Statement Analysis”, 3rd. Edition, Ft.
Worth, TX: The Dryden Press.
Taffler R.J., Tisshaw H., (1977), “Going, Going, Gone - Four Factors Which Predict”,
Accountancy, Vol. 88, March 1977, p. 50-54.
TAM, K.Y. et. al. (1992), “Managerial applications of neural networks: the case of bank
failure predictions.”, Management Science, v. 38, n. 7, 1992.
Tucker, J. (1996), “Neural networks versus logistic regression in financial modelling: a
methodological comparison”, Paper published in Proceedings of the 1996 World First
Online Workshop on Soft Computing (WSC1), Nagoya University, Japan, August 1930.
Wilson, R. (2009), “An examination of corporate tax shelter participants”, The
Accounting Review, 84 s3d: 969–999.
Van Frederikslust R.A.I. (1978), “Predictability of corporate failure: models for
prediction of corporate failure and for evaluation of corporate debt capacity.” Martinus
Nijhoff Social Science Division, Leiden/Boston, PhD thesis in Economic Sciences,
Erasmus University, Rotterdam, The Netherlands.
Yobas, M. B. et al. (2000), "Credit scoring using neural and evolutionary techniques."
IMA Journal of Management Mathematics 11(2), 111-125.
Zavgren C (1983), “The prediction of corporate failure: the state of the art”, Journal of
Accounting Literature, Vol. 2, p. 1-37.
Zavgren C.V. (1985), “Assessing the vulnerability to failure of American industrial
firms: A logistic analysis”, Journal of Business Finance and Accounting, Vol. 12, nr. 1,
Spring 1985, p. 19-45.
Zmijewski M.E. (1984), “Methodological issues related to the estimation of financial
distress prediction models”, Journal of Accounting Research, Supplement to Vol.22, pp.
59-86.
72
Quadros
Quadro 1- Bateria de Indicadores Económico-Financeiros
Rácios
Fórmula de Cálculo
Liquidez
Liquidez Geral (LG)
Activo Circulante/Passivo de Curto Prazo
Liquidez Reduzida (LR)
Activo Maneável/Passivo de Curto Prazo
Liquidez Imediata (LI)
Disponibilidades/Passivo de Curto Prazo
Rentabilidade
Rentabilidade das Vendas e Prestações de Serviços (RVPS)
Resultados Líquidos/(Vendas+Prestações de Serviços)
Rentabilidade da Produção (RP)
Resultado Líquido/Produção
Rentabilidade do Activo (Return on Asset-ROA)
Resultados Líquidos/Activo Total
Rentabilidade Fundo Maneio
Fundo de Maneio/Activo Total
Resultados Transitados/Activo Total(RT_ACTV)
Resultados Transitados/Activo Total
Rentabilidade do Activo (Earning Power - EBIT_ACTV)
Resultados Antes dos Impostos e Encargos Financeiros Líquidos*/Activo
Rentabilidade Financeira (ROE)
Resultados Líquidos (ano n)/Capitais Próprios (ano n)
Rentabilidade Financeira (ROE - ano n-1)
Resultados Líquidos (ano n)/Capitais Próprios (ano n-1)
Vendas/Activo Total (VND ACTV)
Vendas/Activo Total
Estrutura ou Endividamento
Autonomia Financeira (AF)
Capitais Próprios/(Capitais Próprios+Passivo)
Equity-to-Debt-Ratio (CP_PASSIVO)
Capitais Próprios/Passivo Total
Debt-to-Equity-Ratio (DER PMLP)
Passivo a Médio e Longo Prazos/Capitais Próprios
Endividamento
Passivo Total/Activo Total Líquido
(PT_ ACTV)
Capitais Permanentes/Activo (CP ACTV)
(Capital Próprio+Passivo Médio Longo Prazos)/Activo Líquido Total
Regra Equilíbrio Financeiro Mínimo (REFM)
Capitais Permanentes/Imobilizado=1
Imobilizado/Activo Total (IMB ACTV)
Imobilizado/Activo Total
Activo Circulante/Activo Total (AC ACTV)
Activo Circulante/Activo Total
*[Dívidas de Terceiros Curto Prazo + (Recebimentos-Despesas Diferidas Curto Prazo) +Provisões para.Impostos +Provisões para Riscos e Encargos]/Activo Total
Líquido.
73
Quadro 2 – Definição de Variáveis
VARIÁVEIS
ORIGEM
DADOS
DEFINIÇÃO
Dívidas fiscais de valor superior a € 10.000 com desfasamento de 1 ano em relação ao
ano em análise. A variável assume o valor 1 se a empresa tem dívidas em n+1 e 0 caso
contrário.
CÁLCULO
Independentes
R1 ROA
Rácio de Rentabilidade do Activo (Return on Asset). Altman (1968) e Lisowsy (2010).
Resultados Líquidos/Activo Total
D.G.CI.
R2 PT_ACTV
Rácio de Endividamento. Beaver (1966) e Lisowsky (2010).
Passivo Total/Activo Total
D.G.CI.
R3 FM_ACTV
Rácio de Rentabilidade. Altman (1968).
Fundo de Maneio/Activo Total
D.G.CI.
R4 RT_ACTV
Rácio de Rentabilidade. Altman (1968).
Resultados Transitados/Activo Total
D.G.CI.
R5 EBIT_ACTV
Rentabilidade do Activo (Earning Power). Altman (1968).
Resultados Antes dos Impostos e Encargos Financeiros Líquidos/Activo Total D.G.CI.
R6 CP_ PASSIVO
Equity-to Debt-Ratio. Altman (1968).
Capital Próprio/Passivo Total
D.G.CI.
R7 VND_ACTV
Rácio de Rotação do Activo. Altman (1968).
Vendas/Activo Total
D.G.CI.
R8 LI
Rácio de Liquidez Imediata. Ohlson (1980).
Disponibilidades/Passivo de Curto Prazo
D.G.CI.
Dependente
Dívidas de n+1
D.G.C.I.
74
Quadro 3 - Estatísticas Descritivas (2007)
Variáveis/Medidas
Tendência Central
Tendência Não Central
Dispersão ou Variabilidade
Assimetria e Curtose
Média
Mediana
Mínimo
1.ºQuartil
3.ºQuartil
Máximo
Desvio Padrão
Amplitude
Variância
CV
Assimetria
Curtose
R1 ROA
0,00
0,01
-0,24
-0,01
0,02
0,21
0,07
0,44
0,00
-22,45
-0,99
2,40
R2 PT_ACTV
R3 FM_ACTV
0,79
0,09
0,80
0,11
0,00
-1,68
0,60
-0,13
0,95
0,36
2,04
1,00
0,33
0,43
2,04
2,68
0,11
0,18
0,42
4,72
0,44
-0,67
1,29
1,39
-0,03
0,02
0,00
0,02
-0,65
-0,26
-0,06
0,00
0,03
0,05
0,53
0,28
0,17
0,08
1,18
0,53
0,03
0,01
-5,72
5,01
-0,85
-0,70
2,54
2,21
R6 CP_ PASSIVO
R7 VND_ACTV
0,30
0,80
0,19
0,69
-1,00
0,00
0,02
0,43
0,52
1,07
2,43
2,94
0,56
0,56
3,43
2,94
0,31
0,31
1,89
0,69
0,91
1,08
1,69
1,34
R8 LI
0,11
0,05
-0,31
0,01
0,14
0,70
0,14
1,01
0,02
1,35
1,91
3,48
R4 RT_ACTV
R5 EBIT_ACTV
Quadro 4– Estatísticas Descritivas (2008)
Variáveis/Medidas
Tendência Central
Tendência Não Central
Dispersão ou Variabilidade
Assimetria e Curtose
Média
Mediana
Mínimo
1.ºQuartil
3.ºQuartil
Máximo
Desvio Padrão
Amplitude
Variância
CV
Assimetria
Curtose
-0,01
0,01
-0,29
-0,02
0,02
0,25
0,08
0,54
0,01
-6,50
-1,10
2,75
0,80
0,08
0,79
0,10
0,00
-1,59
0,61
-0,13
0,95
0,34
2,02
1,00
0,34
0,42
2,02
2,59
0,11
0,18
0,43
5,13
0,48
-0,63
1,22
1,10
-0,06
0,01
-0,01
0,02
-0,98
-0,31
-0,13
-0,01
0,06
0,05
0,82
0,31
0,26
0,09
1,80
0,63
0,07
0,01
-4,33
13,30
-0,95
-0,88
2,26
2,31
R6 CP_ PASSIVO
R7 VND_ACTV
0,26
0,83
0,19
0,71
-1,00
0,00
0,00
0,44
0,49
1,11
2,24
3,16
0,54
0,56
3,24
3,16
0,30
0,31
2,08
0,67
0,71
1,23
1,52
1,80
R8 LI
0,10
0,04
-0,20
0,01
0,13
0,68
0,14
0,89
0,02
1,39
2,08
4,08
R1 ROA
R2 PT_ACTV
R3 FM_ACTV
R4 RT_ACTV
R5 EBIT_ACTV
75
Quadro 5 – Estatísticas Descritivas (2009)
Variáveis/Medidas
R1 ROA
R2 PT_ACTV
R3 FM_ACTV
R4 RT_ACTV
R5 EBIT_ACTV
R6 CP_ PASSIVO
R7 VND_ACTV
R8 LI
Tendência Central
Tendência Não Central
Dispersão ou Variabilidade
Assimetria e Curtose
Média
Mediana
Mínimo
1.ºQuartil
3.ºQuartil
Máximo
Desvio Padrão
Amplitude
Variância
CV
Assimetria
Curtose
-0,02
0,00
-0,34
-0,04
0,02
0,27
0,09
0,61
0,01
-5,09
-1,17
2,60
0,80
0,30
0,79
0,26
0,00
0,00
0,60
0,10
0,95
0,45
2,05
1,48
0,34
0,25
2,05
1,48
0,12
0,06
0,43
0,82
0,50
0,91
1,16
0,39
-0,03
0,00
0,00
0,02
-0,70
-0,34
-0,07
-0,03
0,03
0,04
0,55
0,31
0,18
0,09
1,25
0,65
0,03
0,01
-5,75
-31,37
-0,83
-1,02
2,33
2,40
0,28
0,73
0,19
0,63
-1,00
0,00
0,00
0,33
0,50
0,98
2,32
3,04
0,57
0,56
3,32
3,04
0,33
0,31
2,03
0,76
0,84
1,20
1,64
1,70
0,11
0,05
-0,16
0,01
0,14
0,75
0,15
0,91
0,02
1,35
1,99
3,72
Quadro 6– Estatísticas Descritivas (com outliers) - 2007
Tendência Central
Tendência Não Central
Dispersão ou Variabilidade
Variáveis/Medidas
Assimetria e Curtose
Média
Mediana
Mínimo
1.ºQuartil
3.ºQuartil
Máximo
Desvio
Padrão
Amplitude
Variância
CV
Assimetria
Curtose
R1 ROA
R2 PT_ACTV
-0,13
1,27
0,01
0,82
-43,94
0,00
-0,04
0,61
0,02
0,97
0,95
343,54
1,37
8,57
44,89
343,54
1,87
73,39
-10,47
6,75
-23,83
37,79
679,96
1503,76
R3 FM_ACTV
R4 RT_ACTV
-0,34
-0,54
0,09
0,00
-342,56
-347,56
-0,17
-0,15
0,34
0,03
1,00
2,98
8,56
8,66
343,56
350,55
73,23
74,99
-25,02
-15,91
-37,89
-38,14
1509,25
1522,19
R5 EBIT_ACTV
R6 CP_ PASSIVO
-0,10
3,72
0,02
0,22
-41,60
-1,00
-0,03
0,03
0,05
0,64
1,76
3025,56
1,32
78,99
43,35
3026,56
1,73
6239,12
-12,56
21,21
-23,25
34,66
647,52
1286,40
0,88
0,93
0,70
0,06
0,00
-0,31
0,43
0,01
1,09
0,19
24,24
352,22
1,02
12,43
24,24
352,52
1,04
154,59
1,16
13,31
10,45
22,71
192,74
565,22
R7 VND_ACTV
R8 LI
76
Quadro 7– Estatísticas Descritivas (com outliers) - 2008
Variáveis/Medidas
R1 ROA
R2 PT_ACTV
R3 FM_ACTV
R4 RT_ACTV
R5 EBIT_ACTV
R6 CP_ PASSIVO
R7 VND_ACTV
R8 LI
Tendência Central
Tendência Não Central
Dispersão ou Variabilidade
Assimetria e Curtose
Média
Mediana
Mínimo
1.ºQuartil
3.ºQuartil
Máximo
Desvio Padrão
Amplitude
Variância
CV
Assimetria
Curtose
-5,85
3,90
0,00
0,81
-8279,31
0,00
-0,06
0,62
0,02
0,98
1,01
4366,30
203,90
106,94
8280,32
4366,30
41573,71
11435,48
-34,84
27,45
-39,99
40,57
1620,69
1655,40
-2,94
-3,94
0,09
-0,02
-4365,30
-4375,09
-0,17
-0,21
0,33
0,05
1,00
181,24
106,93
120,83
4366,30
4556,32
11434,39
14600,63
-36,31
-30,63
-40,58
-35,91
1655,64
1299,34
-5,67
1,10
0,02
0,23
-8278,39
-1,00
-0,04
0,02
0,05
0,58
1,33
288,40
203,18
9,78
8279,72
289,40
41281,20
95,68
-35,86
8,92
-40,36
22,51
1642,91
580,69
5,18
0,40
0,72
0,05
0,00
-0,20
0,44
0,01
1,13
0,18
6487,13
115,68
163,14
3,18
6487,13
115,89
26614,81
10,10
31,48
7,90
39,68
30,03
1577,30
1056,61
Quadro 8– Estatísticas Descritivas (com outliers) - 2009
Variáveis/Medidas
Tendência Central
Tendência Não Central
Dispersão ou Variabilidade
Assimetria e Curtose
Média
Mediana
Mínimo
1.ºQuartil
3.ºQuartil
Máximo
Desvio Padrão
Amplitude
Variância
CV
Assimetria
Curtose
R1 ROA
R2 PT_ACTV
-0,15
4,08
0,00
0,81
-52,01
0,00
-0,07
0,62
0,02
0,98
1,00
4366,30
1,54
109,71
53,01
4366,30
2,37
12036,89
-10,28
26,92
-27,12
39,66
851,10
1577,77
R3 FM_ACTV
R4 RT_ACTV
0,31
-4,19
0,26
0,00
0,00
-5429,20
0,10
-0,15
0,45
0,03
2,97
2,12
0,26
136,52
2,97
5431,32
0,07
18638,16
0,85
-32,57
1,56
-39,59
7,33
1574,11
R5 EBIT_ACTV
R6 CP_ PASSIVO
-0,13
1,41
0,01
0,23
-52,01
-1,00
-0,06
0,02
0,04
0,60
1,14
765,70
1,52
20,00
53,16
766,70
2,31
400,09
-11,82
14,23
-27,89
35,66
895,70
1352,28
0,94
0,89
0,64
0,06
0,00
-0,16
0,34
0,02
1,02
0,20
151,54
751,13
4,06
19,35
151,54
751,28
16,52
374,26
4,34
21,62
32,94
37,62
1196,88
1452,87
R7 VND_ACTV
R8 LI
77
Quadro 9 – Testes de Normalidade (2007)
Variáveis Independentes
Grupo
R1 ROA
0
1
0
R2 PT_ACTV
Kolmogorov-Smirnova
Statistic
df
Sig.
,253
54
0,00
,195
44
0,00
,080
54
,200*
Shapiro-Wilk
Statistic
df
,860
54
,908
44
,970
54
Sig.
,000
,002
,183
1
,092
44
,200*
,984
44
,777
R3 FM_ACTV
0
1
,156
,064
54
44
0,00
,200*
,930
,985
54
44
,004
,813
R4 RT_ACTV
0
1
0
1
0
1
0
,215
,155
,177
,128
,140
,206
,086
54
44
54
44
54
44
54
0,00
0,01
0,00
0,07
0,01
0,00
,200*
,876
,950
,904
,959
,897
,815
,956
54
44
54
44
54
44
54
,000
,054
,000
,119
,000
,000
,046
1
,162
0
,198
1
,273
a. Lilliefors Significance Correction
*. This is a lower bound of the true significance.
44
54
44
0,01
0,00
0,00
,912
,805
,735
44
54
44
,003
,000
,000
R5 EBIT_ACTV
R6 CP_ PASSIVO
R7 VND_ACTV
R8 LI
Quadro 10 – Testes de Normalidade (2008)
a
Variáveis Independentes
R1 ROA
Grupo
Kolmogorov-Smirnov
Statistic
,192
,266
,126
,109
,123
,078
,172
,184
,140
,208
,154
,196
,151
,107
,270
,272
0
1
R2 PT_ACTV
0
1
R3 FM_ACTV
0
1
R4 RT_ACTV
0
1
R5 EBIT_ACTV
0
1
R6 CP_ PASSIVO
0
1
R7 VND_ACTV
0
1
R8 LI
0
1
a. Lilliefors Significance Correction
*. This is a lower bound of the true significance.
df
38
39
38
39
38
39
38
39
38
39
38
39
38
39
38
39
Sig.
0,00
0,00
0,14
,200
*
0,16
,200
*
0,01
0,00
0,06
0,00
0,02
0,00
0,03
,200
*
0,00
0,00
Shapiro-Wilk
Statistic
df
,903
38
,763
39
,941
38
,968
39
,972
38
,965
39
,919
38
,916
39
,951
38
,855
39
,893
38
,887
39
,842
38
,965
39
,696
38
,629
39
Sig.
,003
,000
,045
,316
,437
,263
,009
,007
,093
,000
,002
,001
,000
,265
,000
,000
78
Quadro 11 – Testes de Normalidade (2009)
a
Variáveis Independentes
R1 ROA
Grupo
Kolmogorov-Smirnov
Statistic
,308
,237
,111
,104
,185
,091
,231
,166
,249
,162
,162
,183
,176
,138
,240
,248
df
0
1
R2 PT_ACTV
0
1
R3 FM_ACTV
0
1
R4 RT_ACTV
0
1
R5 EBIT_ACTV
0
1
R6 CP_ PASSIVO
0
1
R7 VND_ACTV
0
1
R8 LI
0
1
a. Lilliefors Significance Correction
*. This is a lower bound of the true significance.
41
41
41
41
41
41
41
41
41
41
41
41
41
41
41
41
Sig.
0,00
0,00
,200
*
,200
*
0,00
,200
*
0,00
0,01
0,00
0,01
0,01
0,00
0,00
0,05
0,00
0,00
Shapiro-Wilk
Statistic
df
,779
41
,805
41
,922
41
,972
41
,849
41
,943
41
,848
41
,933
41
,832
41
,876
41
,907
41
,874
41
,796
41
,892
41
,776
41
,707
41
Sig.
,000
,000
,008
,389
,000
,039
,000
,018
,000
,000
,003
,000
,000
,001
,000
,000
Modelo de análise discriminante (2007)
Quadro 12 – Médias de Grupos (centróides) (2007)
Grupo
Função 1
Cumpridores
-,544
Incumpridores
,621
Unstandardized canonical discriminant functions evaluated at group means.
Modelo de análise discriminante (2008)
Quadro 13 – Média de grupos (centróides) (2008)
Grupo
Função 1
Cumpridores
,947
Incumpridores
-,829
Unstandardized canonical discriminant functions evaluated at group means.
Quadro 14 - Ajustamento Geral do Modelo (2008)
Função
1
ValorPróprio
,812
a
% de Variância
Correlação Lambda de
QuiWilks
Quadrado
Função
Cumulativo Canónica
100,0
100,0
,670
,552
32,110
df
Sig.
8
,000
a. First 1 canonical discriminant functions were used in the analysis.
79
Quadro 15- Correlações de Estrutura (2008)
Variáveis
Independentes
Cargas Discriminantes
Carga
Ordenação
R1 ROA
,205
5
R2 PT_ACTV
R3 FM_ACTV
-,365
,553
4
1
R4 RT_ACTV
R5 EBIT_ACTV
-,017
,075
7
6
R6 CP_ PASSIVO
R7 VND_ACTV
,435
,015
2
8
R8 LI
,399
3
Quadro 16- Teste M de Box (2008)
Box's M
F
Approx.
df1
df2
Sig.
80,266
1,898
36
10892,396
,001
Modelo de análise discriminante (2009)
Quadro 17 - Médias de grupos (centróides) (2009)
Grupo
Função 1
Cumpridores
-,790
Incumpridores
,718
Unstandardized canonical discriminant functions evaluated at group means.
80
Quadro 18- Estatísticas descritivas e teste de igualdade das médias de grupos (2009)
Variáveis
Independentes
Médias de Grupos
Cumpridores
Incumpridores
DesvioDesvioMédia
Média
Padrão
Padrão
Teste de Igualdade de Médias de
Grupos
-,030487
,0855708
-,024080
,0880414
Lambda de
Wilk
,999
,766526
,306336
,2836931
,2843726
,912246
,313757
,2392615
,2062721
,926
1,000
4,886
,014
1
1
61 ,031 **
61 ,905
-,049642
-,020419
,1771547
,0853822
-,083084
,016132
,2140573
,0973158
,993
,961
,451
2,489
1
1
61 ,504
61 ,120
R6 CP_ PASSIVO
R7 VND_ACTV
,506762
,680338
,6402377
,5491247
,178785
,809514
,3573192
,5279280
,904
,985
6,455
,906
1
1
61 ,014 **
61 ,345
R8 LI
,117332
,1484515
,093308
,1426234
,993
,429
1
61 ,515
R1 ROA
R2 PT_ACTV
R3 FM_ACTV
R4 RT_ACTV
R5 EBIT_ACTV
Estatística
F df1 df2 Sig.
,085
1 61 ,771
Nota: *, ** e *** indicam que os coeficientes estimados são estatisticamente significativos a um nível de
significância de 10%, 5% e 1% respectivamente.
Quadro 19 - Correlações de Estrutura (2009)
Variáveis
Independentes
Cargas Discriminantes
Carga
Ordenação
R1 ROA
R2 PT_ACTV
,205
-,365
R3 FM_ACTV
R4 RT_ACTV
,553
-,017
R5 EBIT_ACTV
R6 CP_ PASSIVO
,075
,435
R7 VND_ACTV
R8 LI
,015
,399
5
4
1
7
6
2
8
3
Quadro 20 – Correlação entre Variáveis Independentes (2009)
R1
R2
R3
R4
R5
R6
R7
Variáveis Independentes
R1 ROA
1,000
R2 PT_ACTV
-,252
1,000
R3 FM_ACTV
,070
-,065
1,000
R4 RT_ACTV
,118
-,735
-,052
1,000
R5 EBIT_ACTV
,969
-,202
,089
,071
1,000
R6 CP_ PASSIVO
,250
-,875
,162
,506
,218
1,000
R7 VND_ACTV
,173
,152
,283
,071
,204
-,142
1,000
R8 LI
,422
-,306
,013
,169
,434
,353
,058
R8
1,000
81
Quadro 21 - Teste M de Box (2009)
Box's M
F
Approx.
df1
df2
Sig.
93,111
2,222
36
12276,849
,000
Quadro 22 - Ajustamento Geral do Modelo (2009)
Função
1
Valor
Próprio
,586
a
% de Variância
Correlação Lambda de
QuiWilks
Quadrado
Função
Cumulativo Canónica
100,0
100,0
,608
,631
26,273
df
Sig.
8
,001
a. First 1 canonical discriminant functions were used in the analysis.
Quadro 23- Matriz de Classificação a, b, c(2009)
Amostra
Tipo
Casos
Grupo Real
Amostra de Análise
Original
Casos
Cumpridores
Incumpridores
Cumpridores
Incumpridores
Cumpridores
Incumpridores
Cumpridores
Incumpridores
Cumpridores
Incumpridores
Cumpridores
Incumpridores
%
Validação
Cruzadad
Casos
%
Amostra de Teste
Original
Casos
%
Grupo Previsto
Cumpridores
Incumpridores
25
5
9
24
83,3
16,7
27,3
72,7
21
9
12
21
70,0
30,0
36,4
63,6
10
1
2
6
90,9
9,1
25,0
75,0
Total
30
33
100,0
100,0
30
33
100,0
100,0
11
8
100,0
100,0
a. Validação cruzada é feita apenas para os casos da análise. Na validação cruzada cada caso é classificado pelas funções derivadas de todos os casos distintos
daquele.
b. 77,8% dos casos da amostra de análise correctamente classificados.
c. 84,2% dos casos da amostra de teste correctamente classificados.
d. 66,7% dos casos da amostra de análise após validação cruzada correctamente classificados.
82
Modelos de regressão logística
Quadro 24 – Variáveis na Equação – 1.ª Estimação (2007)
Variáveis Independentes
R1 ROA
R2 PT_ACTV
B
-7,876
1,174
S.E.
9,539
3,501
Wald
,682
,112
df
1
1
Sig.
,409
,737
R3 FM_ACTV
R4 RT_ACTV
-2,288
3,038
1,083
1,932
4,463
2,472
1
1
,035 **
,116
R5 EBIT_ACTV
R6 CP_ PASSIVO
6,791
-1,396
8,815
1,812
,594
,594
1
1
,441
,441
890,220
,248
,319
,192
,690
2,136
,213
,008
1
1
,644
,929
1,375
1,211
R7 VND_ACTV
R8 LI
Exp(B)
,000
3,235
,101
20,863
Constante
-0,7866017 3,48130952 0,05105337
1 0,82124036
0,455389735
Nota: *, ** e *** indicam que os coeficientes estimados são estatisticamente significativos a um nível de
significância de 10%, 5% e 1% respectivamente.
Quadro 25 – Variáveis na Equação – 1.ª Estimação (2008)
Variáveis
Independentes
B
-65,183
S.E.
24,368
Wald
7,155
df
1
R2 PT_ACTV
R3 FM_ACTV
-5,452
-3,947
5,848
2,139
,869
3,404
1
1
,351
,065 *
R4 RT_ACTV
R5 EBIT_ACTV
4,834
61,520
2,172
24,358
4,952
6,379
1
1
,026 **
,012 **
R6 CP_ PASSIVO
R7 VND_ACTV
-4,179
-1,249
2,888
1,012
2,094
1,521
1
1
,148
,217
,015
,287
R8 LI
-2,429
3,205
,574
1
,449
,088
R1 ROA
Sig.
,007 ***
Exp(B)
,000
,004
,019
125,705
521891302543043000000000000,000
Constante
6,433
5,970
1,161
1
,281
622,275
Nota: *, ** e *** indicam que os coeficientes estimados são estatisticamente significativos a um nível de significância de
10%, 5% e 1% respectivamente.
Quadro 26 – Variáveis na Equação – 1.ª Estimação (2009)
Variáveis
Independentes
B
-81,974
S.E.
26,064
Wald
9,892
df
1
-,437
1,138
4,034
1,628
,012
,488
1
1
,914
,485
R4 RT_ACTV
R5 EBIT_ACTV
3,764
85,927
3,011
26,587
1,562
10,445
1
1
,211
,001 ***
R6 CP_
PASSIVO
R7 VND_ACTV
-2,445
2,043
1,432
1
,231
,087
-,739
,735
1,012
1
,314
,477
R8 LI
-1,856
2,972
,390
1
,532
,156
R1 ROA
R2 PT_ACTV
R3 FM_ACTV
Sig.
,002 ***
Exp(B)
,000
,646
3,120
43,107
20772050681326000000000000000000000000,000
Constante
,166
3,765
,002
1
,965
1,180
Nota: *, ** e *** indicam que os coeficientes estimados são estatisticamente significativos a um nível de significância de 10%,
5% e 1% respectivamente.
83
Quadro 27 – Variáveis na Equação (2009)
Variáveis
Independentes
R1 ROA
R5 EBIT_ACTV
Constante
B
S.E.
Wald
df
-82,581
82,799
-1,650
24,003
23,916
,540
11,836
11,986
9,350
1
1
1
Sig.
Exp(B)
,001 ***
,000
,001 *** 910358652757230000000000000000000000,000
,002
,192
Nota: *, ** e *** indicam que os coeficientes estimados são estatisticamente significativos a um nível de significância de 10%, 5% e
1% respectivamente.
Quadro 28 – Avaliação da qualidade do ajuste do modelo (2009)
Quadro 29 – Matriz de Classificação (2009)
Grupo Real
Amostra de Análise
Cumpridores Incumpridores
25
5
Cumpridores
10
23
Incumpridores
a
76,2% da amostra de análise correctamente classificada.
b
78,9% da amostra de teste correctamente classificada.
Grupo Previsto
a
Total
30
33
Amostra de Teste b
Cumpridores Incumpridores
10
1
3
5
Total
11
8
84